CheMeleon

Monroe：新型分子基础模型增强药物发现推理能力

研究人员推出了一种新型分子基础模型Monroe，该模型专为药物发现中的上下文概率推理而设计。该模型利用了来自PM6量子化学数据集的超过8100万个分子的显著更大的数据集，并结合了改进的立体化学图表示。Monroe还具有增强的训练损失、多任务学习，并利用先验数据拟合模型（TabPFN）进行下游预测。在既定基准上的评估显示，Monroe的性能与现有模型相当或更优，在对分子发现至关重要的活性悬崖基准上取得了显著改进。