Jochen Sieg

该研究提出一种新的基础模型预训练路径：在低噪声、可计算的分子描述符上以监督学习方式进行预训练，以获得丰富且高度可迁移的分子表征，并以约一千万参数的 CheMeleon 模型加以验证；在来自产业界 Polaris 基准计划的 58 个覆盖小分子药物发现相关性质的数据集上，CheMeleon 使有向消息传递神经网络在低数据区制下终于超过经典方法，并在严格统计比较中优于基于分子指纹与描述符的随机森林等经典基线以及已有基础模型，同时模型与预训练框架已开源。

该研究提出一种新的基础模型预训练路径：在低噪声、可计算的分子描述符上以监督学习方式进行预训练，以获得丰富且高度可迁移的分子表征，并以约一千万参数的 CheMeleon 模型加以验证；在来自产业界 Polaris 基准计划的 58 个覆盖小分子药物发现相关性质的数据集上，CheMeleon 使有向消息传递神经网络在低数据区制下终于超过经典方法，并在严格统计比较中优于基于分子指纹与描述符的随机森林等经典基线以及已有基础模型，同时模型与预训练框架已开源。