💡
原文中文，约3100字，阅读约需8分钟。
📝
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。
🎯
关键要点
- 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。
- 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。
- VideoMol将分子视为动态视频，以视频处理的方式学习分子表征。
- VideoMol的分子视觉表征由二维像素信息升级为三维像素信息。
- VideoMol的预训练由基于图的学习升级为基于视频的学习，包含21个指纹信息。
- VideoMol在多个药物发现任务中表现优于最先进的方法，具有更大的研究潜力。
- 研究表明，VideoMol在化合物激酶结合活性预测等任务中表现出色。
- VideoMol能够识别新型配体-受体相互作用，验证了其高精度。
- 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。
- VideoMol的可解释性良好，能够识别同一分子的不同帧，显示出分子视频的优势。
❓
延伸问答
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。
➡️
