# 分子性质预测

Intology 把自主发现系统 Locus 从语言模型后训练扩展到分子发现，在分子性质预测、小分子效价预测和抗体设计三类任务上，与 BioHub、Boltz 的既有最优方法和 Codex、Claude Code 等前沿大模型智能体在同等算力下比较。在六个靶点的 Boltz-2 适配任务中，Locus 的平均 Spearman 相关系数为 0.622，高于 Boltz-2.1 接口的 0.225、Claude Code 的 0.450 和 Codex 的 0.569。抗体设计上，Locus 用 1.5–2.8 倍更少的生成候选达到相当的结合评分，但评分来自 OpenDDE 的 ipSAE 代理指标，仍需湿实验验证。

Intology 把自主发现系统 Locus 从语言模型后训练扩展到分子发现，在分子性质预测、小分子效价预测和抗体设计三类任务上，与 BioHub、Boltz 的既有最优方法和 Codex、Claude Code 等前沿大模型智能体在同等算力下比较。在六个靶点的 Boltz-2 适配任务中，Locus 的平均 Spearman 相关系数为 0.622，高于 Boltz-2.1 接口的 0.225、Claude Code 的 0.450 和 Codex 的 0.569。抗体设计上，Locus 用 1.5–2.8 倍更少的生成候选达到相当的结合评分，但评分来自 OpenDDE 的 ipSAE 代理指标，仍需湿实验验证。

科学原理现在可以由大语言模型在测试阶段边做实验边构造和修订，而不必只靠专家把观测一点点翻译成解释。此前做这一步需要大量领域知识、时间和人力，成为发现流程的瓶颈。Principia 把相关输入及其观测结果成对比较、写出因果假说，再按相似性聚类归纳出反复出现的原理，并用新观测修订假说、重建原理；在分子优化、蛋白序列工程、基因扰动与分子性质预测基准上，它优于依赖内部知识、经验摘要或外部检索的基线，分子优化五项任务平均 AUC@10 为 0.279，经验摘要基线为 0.250。

科学原理现在可以由大语言模型在测试阶段边做实验边构造和修订，而不必只靠专家把观测一点点翻译成解释。此前做这一步需要大量领域知识、时间和人力，成为发现流程的瓶颈。Principia 把相关输入及其观测结果成对比较、写出因果假说，再按相似性聚类归纳出反复出现的原理，并用新观测修订假说、重建原理；在分子优化、蛋白序列工程、基因扰动与分子性质预测基准上，它优于依赖内部知识、经验摘要或外部检索的基线，分子优化五项任务平均 AUC@10 为 0.279，经验摘要基线为 0.250。

该研究在三个 MoleculeNet 数据集（Delaney 溶解度、亲脂性、QM7 原子化能）上，用逐步减少可用信息的盲化流程，配合 0、60、1000 样本的上下文示例数量，评估 GPT-4.1、GPT-5、Gemini 2.5 三个家族共九个 LLM 变体，以判断其分子性质预测是真正的上下文回归还是对记忆目标值的逐字检索，并加入记忆实验的正负对照、多示例实验的结构参照基线以及自助法置信区间；结果显示在这些既有基准上没有逐字检索的证据，而盲化会暴露出预训练知识与上下文信息之间的冲突。

该研究在三个 MoleculeNet 数据集（Delaney 溶解度、亲脂性、QM7 原子化能）上，用逐步减少可用信息的盲化流程，配合 0、60、1000 样本的上下文示例数量，评估 GPT-4.1、GPT-5、Gemini 2.5 三个家族共九个 LLM 变体，以判断其分子性质预测是真正的上下文回归还是对记忆目标值的逐字检索，并加入记忆实验的正负对照、多示例实验的结构参照基线以及自助法置信区间；结果显示在这些既有基准上没有逐字检索的证据，而盲化会暴露出预训练知识与上下文信息之间的冲突。

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。

该工作以紫外吸收波长（λmax）预测为测试场景，在18,415个溶质-溶剂对（经Greenman/Song重复处理协议）上以分层5折交叉验证比较了五类模型（随机森林、XGBoost、有向消息传递图神经网络、双向门控循环网络、预训练Transformer），并辅以两个合计超过40,000个分子的外部数据集，发现已知化学空间内的筛选任务中随机森林与最佳深度学习模型统计上不可区分（RMSE 31.50±1.47 nm 对 33.15±3.27 nm，p=0.16）且仅需CPU上15分钟训练，而在16个新骨架紫外吸收化合物的实验验证中图神经网络（MAE 26.2 nm）、Transformer（26.3 nm）与Bi

该工作以紫外吸收波长（λmax）预测为测试场景，在18,415个溶质-溶剂对（经Greenman/Song重复处理协议）上以分层5折交叉验证比较了五类模型（随机森林、XGBoost、有向消息传递图神经网络、双向门控循环网络、预训练Transformer），并辅以两个合计超过40,000个分子的外部数据集，发现已知化学空间内的筛选任务中随机森林与最佳深度学习模型统计上不可区分（RMSE 31.50±1.47 nm 对 33.15±3.27 nm，p=0.16）且仅需CPU上15分钟训练，而在16个新骨架紫外吸收化合物的实验验证中图神经网络（MAE 26.2 nm）、Transformer（26.3 nm）与Bi

该研究系统基准测试了基于上下文学习的表格基础模型（TFM）在小有机分子性质预测上的表现，在11个数据集（回归任务、随机与结构感知划分、每个最多10000个分子）上将其与XGBoost、CatBoost、多层感知机等描述符方法及图方法比较，发现TFM在基线经过仔细超参数选择的情况下仍持续优于描述符方法，并与图方法（包括经化学数据预训练者）精度相当或更好，Uni-Mol2在部分实验中略优于TFM，而检索策略（对每个测试分子取Tanimoto相似度最近的500个邻居）在较大数据集和随机划分上带来进一步改进。

该研究系统基准测试了基于上下文学习的表格基础模型（TFM）在小有机分子性质预测上的表现，在11个数据集（回归任务、随机与结构感知划分、每个最多10000个分子）上将其与XGBoost、CatBoost、多层感知机等描述符方法及图方法比较，发现TFM在基线经过仔细超参数选择的情况下仍持续优于描述符方法，并与图方法（包括经化学数据预训练者）精度相当或更好，Uni-Mol2在部分实验中略优于TFM，而检索策略（对每个测试分子取Tanimoto相似度最近的500个邻居）在较大数据集和随机划分上带来进一步改进。