跳到主要内容
返回时间线
arXiv来源发表:

一个模型同时学分子结构与三种光谱:MOSAIC在QM9S上把谱到结构恢复率做到88.8%

核心概要

MOSAIC把分子三维结构与UV、IR、拉曼三种模拟光谱放进同一个流匹配生成模型,训练时随机决定哪些模态当条件、哪些当预测目标,因此一个模型能完成任意模态子集到另一子集的生成。在QM9S上,它以全部三种光谱为输入时分子图恢复率为88.8%,比最强的谱到结构基线高23.2%,同时在结构到光谱方向上超过专门的结构到光谱预测模型。这一结果建立在QM9规模分子与模拟DFT光谱之上,实验噪声、更大分子和类药尺寸尚未测试。

Source-provided article image: Every Measurement, Every Direction, All at Once: Multimodal Flow Matching for Molecules and Spectra
arXiv

深度剖析

同一分子的结构、UV、IR和拉曼光谱是同一物理实体的几种耦合测量,MOSAIC让其中任意一种都能充当条件或预测目标,从而用一个模型覆盖谱到结构、结构到谱以及任意不相交子集之间的生成。 此前的条件生成模型通常只学一个方向,例如从光谱生成结构,其余测量所携带的监督信号被丢弃。 在QM9S上,以全部三种光谱为输入时MOSAIC的分子图恢复率为88.8%,比最强的谱到结构基线高23.2%,同时在该数据集上超过专门的结构到光谱模型DetaNet的光谱余弦相似度。

做法是先把结构编码成逐原子的隐表示、把每条光谱切成序列片段,再由一个非等变的多模态扩散Transformer在整流流目标下对任意目标子集去噪。 训练时按模态逐个做伯努利抽样决定目标集,未被选中的模态以干净表示进入编码器提供上下文,因此同一套权重同时承担结构生成、光谱生成和联合生成。 消融在S、M、L三种解码器规模上比较了多模态目标与仅结构目标,多模态版本的分子图恢复率在各规模上约高5%;训练集从1k增到110k分子时优势依然存在。

启示与展望

所有结构生成结果都在QM9规模分子(重原子数有限)与模拟DFT光谱上取得,评测使用QM9S固定的训练、验证、测试划分。结构到光谱生成则用于在固定实验气相IR光谱库中检索对应谱图,该实验只评估检索,不评估从实验光谱生成结构。

结构生成尚未在实验噪声、更大构象多样性和类药分子尺寸下测试;规模结论来自QM9S,其训练与测试覆盖相近的化学空间。变体模型虽不需输入原子数,但仍保留固定的最大原子槽位预算,并在同一测试划分上评估。UV单独作条件时结构恢复明显弱于IR和拉曼,作者将其归因于电子跃迁对连接方式约束更弱,这仍是假设。