一种基于深度学习多模态融合的分子性质预测方法  

A Molecular Property Prediction Method Based on Deep Learning and Multimodal Fusion

作　　者：林艳梅 陈楠 周宏亮 彭昱忠 LIN Yanmei;CHEN Nan;ZHOU Hongliang

机构地区：[1]南宁师范大学环境与生命科学学院,广西南宁530100 [2]南宁师范大学计算机与信息工程学院,广西南宁530100

出　　处：《南宁师范大学学报(自然科学版)》2025年第2期62-69,共8页Journal of Nanning Normal University:Natural Science Edition

基　　金：国家自然科学基金项目“基于深度学习的化合物药代动力学性质与毒性的可信赖预测方法研究”(62262044);广西自然科学基金项目“面向化合物毒性预测的分子深度表征与学习新方法研究”(2023GXNSFAA026027);广西研究生教育创新计划项目“基于分子表征对比学习的分子性质预测研究”(YCSW2024471)。

摘　　要：在药物发现与设计过程中,准确预测分子性质是1项关键挑战。近年来,基于深度学习的分子性质预测逐渐替代传统方法,从而受到广泛关注。然而,单一模态分子表征的深度学习模型在分子性质预测中存在显著的局限性,难以全面理解分子。因此,提出1种基于深度学习多模态融合的分子性质预测模型(A Deep Learning-based Multimodal Fusion Molecular Property Prediction Model,DMMPP)。DMMPP方法旨在融合多视角和多层次的分子特征,整合了分子指纹、2D分子图和分子图像特征,以期提升分子性质预测性能。具体而言,首先,DMMPP方法利用全连接神经网络、混合图神经网络和VGG网络分别学习分子指纹、2D分子图和分子图像等不同类型的分子表征数据的特征;其次,通过降维和拼接操作将3种特征融合;最后,将融合的特征输入预测模块进行分子性质预测。在9个涵盖多种分子特性的基准数据集上评估DMMPP的性能。实验结果显示,该方法在7个数据集上展现出与当前最佳方法相媲美甚至更优的性能,特别在BACE数据集上,相较于最新结果提高了2.8%,从而验证了其在分子性质预测中的有效性和合理性。

关 键 词：药物发现 深度学习 分子表征 多模态 分子性质预测 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] R96[自动化与计算机技术—控制科学与工程]