分子表征从「图」到「视频」，1.2亿帧、200万分子，湖大分子视频基础模型登Nature子刊
内容提要
湖南大学研究团队推出新型分子表征学习框架VideoMol，基于1.2亿帧的分子视频进行预训练，显著提升药物发现性能。与ImageMol相比，VideoMol在三维信息提取和指纹数量上有显著升级，能更准确预测分子特性和靶点。该研究发表在《Nature Communications》上。
延伸解读
VideoMol的创新意义
VideoMol的推出标志着分子表征学习的重大进步。通过将分子视为动态视频，研究人员能够更全面地捕捉分子的三维信息。这种方法不仅提升了分子特性预测的准确性，还为药物发现提供了新的视角，可能会加速新药的研发进程。
与传统方法的比较
与以往的ImageMol相比，VideoMol在指纹数量和三维信息提取上都有显著提升。这种转变使得VideoMol在处理复杂分子时更具优势，尤其是在面对数据不平衡和稀缺问题时，能够实现更高的预测精度。
可解释性的重要性
VideoMol的可解释性通过热图可视化分子视频对预测结果的贡献，增强了模型的透明度。这一特性对于药物发现至关重要，因为它帮助研究人员理解模型的决策过程，从而提高了对模型结果的信任度。
Q&A
VideoMol是什么？
VideoMol是湖南大学研究团队推出的一种新型分子表征学习框架，基于1.2亿帧的分子视频进行预训练。
VideoMol与ImageMol相比有哪些显著升级？
VideoMol在三维信息提取、指纹数量上有显著升级，包含21个指纹信息，且由图的学习升级为视频的学习。
VideoMol在药物发现中的表现如何？
VideoMol在多个药物发现任务中表现优于最先进的方法，特别是在化合物激酶结合活性预测等任务中表现出色。
VideoMol如何处理分子视频数据？
VideoMol通过动态感知和物理化学感知，从大量分子3D动态视频中无监督学习分子表征。
VideoMol的可解释性如何？
VideoMol通过梯度加权类激活映射实现良好的可解释性，能够识别同一分子的不同帧并显示其对预测结果的贡献。
VideoMol在虚拟筛选中的精度提升是多少？
VideoMol在虚拟筛选中实现了38.1%的平均精度提升，克服了数据不平衡和稀缺问题。
