Uni-Mol2

分子基础模型在嗅觉任务中展现出广泛的可迁移性

研究人员开发了一个名为Uni-Mol2的通用分子基础模型，该模型在多种机器学习嗅觉任务中表现出强大的可迁移性。在对GS-LF基准进行气味描述符预测的微调后，该模型取得了最先进的性能，并成功地将其学习到的表示应用于跨数据集的气味预测、气味分类、对映异构体评估和气味混合物辨别，而无需进一步的深度学习训练。该研究强调了三维分子表示在区分立体异构体方面优于二维图模型，并为机器学习嗅觉提出了“一次训练，跨任务迁移”的范式。