多模态表示学习用于分子属性预测：序列、图形、几何
内容提要
该文综述分子预训练与性质预测研究。MolIG融合分子图与图像自监督以提升预测性能；图与文本对齐可提高分类AUROC；所开发深度学习工具及损失函数能应对不平衡数据，在抗生素发现和AI Cures挑战中领先；图卷积网络优于传统指纹方法；多任务学习改善小数据集表现；SMILES与图多模态融合改进注意力与消息传递；2D图预训练可生成隐含3D信息；MGCN分层图卷积具备泛化迁移能力；多种图表示结合提升可解释性；GEM几何增强自监督优于基线。
延伸解读
多模态融合的增益与边界
文章显示，MolIG通过图与图像自监督融合提升性质预测，图-文本对齐带来+4.26% AUROC增益，且优于MoMu的+1.54%。这些结果说明多模态一致性能提供额外信号，但增益幅度有限，且依赖基准组和下游任务。读者应关注融合方式是否适配自身数据，而非默认多模态必然大幅提升。
图卷积与多任务学习的实用价值
文章指出图卷积网络优于传统指纹方法，多任务学习能改善小数据集表现并降低方差，甚至无需数据增强。这对数据稀缺的分子属性预测有直接参考意义：优先考虑图表示与多任务设置，可能比单纯堆叠数据增强更有效。但结论基于特定基准，迁移到新任务时仍需验证。
2D图预训练与几何信息的隐含关联
文章提到基于2D分子图的预训练可生成隐含3D信息，并支持跨分子空间迁移；GEM则用几何增强自监督优于基线。这提示2D图并非与3D几何割裂，预训练可捕获部分空间线索。不过，隐含3D信息不等于精确构象，对强依赖几何的任务仍需谨慎评估。
可解释性与泛化的双重考量
文章显示，结合原子图与简化分子图可兼顾性能与解释性，解释结果能与背景知识一致；MGCN则展现分层图卷积的泛化与迁移能力。这说明实际应用不应只看预测指标，还应关注表示是否支持子结构解释。但可解释性结论来自特定分析，不能保证在所有模型上成立。
Q&A
MolIG 是如何融合分子图和分子图像进行预训练的？
MolIG 通过利用分子图和分子图像之间的一致性和相关性执行自监督任务，将两种表示形式的优势融合，从而捕捉关键的分子结构特征和高层次语义信息，在分子性质预测等任务中提升性能。
将自然语言和分子图对齐能带来什么好处？
通过对齐神经图形表示和特性文本描述的表示，可以提高下游分子属性分类任务的性能，相比仅用图预训练的模型获得 +4.26% AUROC 的增益，相比 MoMu 模型获得 +1.54% 的增益。
在高度不平衡的分子数据集中，如何有效学习？
可以开发优化精度-召回曲线下面积（PRC-AUC）的先进损失函数，从而有效地从高度不平衡的数据集中学习，并在抗生素发现和分子属性预测任务中持续改进性能。
图卷积网络在分子属性预测中相比传统方法有什么优势？
图卷积神经网络在分子属性预测中最为有效，优于计算分子指纹或专家描述符的方法，并且实证发现其性能优于现有模型。
多任务学习对小数据集分子属性预测有什么帮助？
多任务学习可以提高模型性能，特别是对于数据点较少的数据集，无需数据增强便能获得较好效果，并能显著减小模型的方差。
仅使用 2D 分子图进行预训练能获得 3D 信息吗？
可以，基于 2D 分子图的分子几何预训练模型通过自监督学习能够生成隐含的 3D 信息，显著提升各种性质的预测表现，并可跨多个分子空间进行有效的迁移学习。
GEM 方法如何利用几何信息增强分子表示学习？
GEM 使用基于几何的 GNN 架构和几何级别的自监督学习策略进行化学表示学习，实验表明该方法显著优于各种现有基线方法。
