STAMP：拓扑感知分子语言实现片段级学习与编辑
论文AI 评分 72/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究者提出 STAMP（Sequential Tree Attachment-based Motif-Preserving representation），一种拓扑感知的分子语言，将片段级表示学习与精确结构编辑相连接。它分别编码基序身份、连接位点和树拓扑，使片段可跨上下文复用、子树可直接访问。在 30 个靶标中的 23 个上，其活性悬崖预测误差低于匹配的 SMILES 编码器；兼容的子树操作支持骨架保持优化，在 23 个基准目标中的 15 个上排名第一。确定性编译器让冻结的语言模型可作用于带索引的片段，在分子编辑、优化、变换迁移和变化识别上较纯 SMILES 提升 9 至 56 个百分点。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载片段表示与拓扑编码
现有分子语言很少显式表达片段的位置与连接关系，这给结构编辑带来不便。STAMP 的做法是把基序身份、连接位点和树拓扑拆成三部分分别编码，从而让同一片段能在不同上下文里复用，也让子树可以被直接访问。这种设计把片段级表示学习与精确结构编辑连在一起，学习到的表示能够捕捉基序相似性和反复出现的变换模式。作者将 STAMP 定位为一种可执行的分子语言，使学到的化学单元在设计过程中保持可直接操作。
预测与优化的量化对比
在活性悬崖预测任务上，STAMP 在 30 个靶标中的 23 个上误差低于匹配的 SMILES 编码器。在骨架保持优化方面，兼容的子树操作让 STAMP 在 23 个基准目标中的 15 个上排名第一，参与对比的方法共六种。这些结果说明片段级、拓扑感知的表示在预测与优化两类任务上都能带来相对优势，而不是只在单一指标上有效。
编译器与语言模型接口
STAMP 还提供一个确定性编译器，使冻结的语言模型能够直接作用于带索引的片段。借助这一接口，分子编辑、优化、变换迁移和变化识别四类任务的表现相比纯 SMILES 提升 9 到 56 个百分点。作者据此认为，这些结果确立了一种可执行的分子语言，其中学到的化学单元在设计阶段仍然可以直接操作。
为什么值得看
把分子片段变成可直接操作的单元，为分子设计与编辑提供可执行表示，并给出多任务量化对比。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。