用于准确分子ADMET预测的多模态表征学习平台

准确的 ADMET 预测对于在昂贵的实验验证之前优先筛选化合物至关重要，然而 ADMET 任务具有高度异质性。溶解度、渗透性、蛋白结合、清除率、转运体活性和毒性等性质受不同的分子信号调控，这些信号涵盖从局部官能团和理化描述符到键连拓扑和三维几何结构等多个层面。因此，单一的分子表示或主干网络不太可能在所有 ADMET 任务上都达到最优。 我们提出 Trimole-Hybrid，一种按任务划分的多模态框架，通过选择或组合由互补分子表示构建的预测器来应对 ADMET 的异质性。Trimole-Hybrid 构建了一个候选池，包含基于 SMILES、图结构、几何敏感的 EPT/3D 以及化学描述符的预测器。对于每个任务，Trimole-Hybrid 选择表现最佳的预测器以获得最终预测结果。 在 22 个 Therapeutics Data Commons ADMET 基准上，Trimole-Hybrid 在 10 个任务上超过了公开的 TDC 第一名方法，并在 21 个任务中排名前 10。消融研究证实了互补多模态分子表示以及任务特异性集成策略的贡献。在两个小分子案例研究中，Trimole-Hybrid 对关键官能团基序变化表现出敏感性，表明其能够捕捉与 ADMET 相关的分子亚结构。

准确的ADMET预测对于在开展高成本实验验证之前对化合物进行优先级排序至关重要，然而ADMET任务具有高度异质性。诸如溶解度、渗透性、蛋白结合、清除率、转运体活性和毒性等性质受不同分子信号控制，这些信号涵盖从局部官能团和理化描述符到成键拓扑结构及三维几何构型等多个层面。因此，单一的分子表示或主干模型不太可能在所有ADMET任务中都达到最优。我们提出了Trimole-Hybrid，这是一种面向任务的多模态框架，通过选择或组合基于互补分子表示构建的预测器来应对ADMET的异质性。Trimole-Hybrid构建了一个由基于SMILES、基于图、对几何敏感的EPT/3D以及基于化学描述符的预测器组成的候选池。对于每个任务，Trimole-Hybrid选择表现最佳的预测器以获得最终预测。在22个Therapeutics Data Commons ADMET基准测试中，Trimole-Hybrid在10项任务上超越了公开的TDC top-1方法，并在21项任务中位列前10。消融研究证实了互补的多模态分子表示和任务特异性集成策略的共同贡献。在两个小分子案例研究中，Trimole-Hybrid表现出对关键官能基序变化的敏感性，表明其具备捕捉与ADMET相关的分子子结构的能力。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.24.746660v1?rss=1

🏷️ ADMET预测 多模态表征学习 分子表示 任务特异性集成 小分子性质预测