From Cellular Responses to Pharmacological Domains: Multimodal Zero-Shot Drug Representation Learning
作者: Jintao Huang, Lu Leng, Ziyuan Yang
分类: cs.AI
发布日期: 2026-07-28
💡 一句话要点
提出PMRD框架以解决多模态药物属性预测问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态药物发现 药物表示学习 零样本学习 机制一致性 生物学一致性 药物属性预测 细胞反应
📋 核心要点
- 现有方法在多模态药物表示学习中，容易混合机制信号与噪声，导致预测性能下降。
- PMRD框架通过分离机制一致因素与模态特定信息，构建共识反应域，提升药物属性预测能力。
- 实验结果显示，PMRD在零样本属性预测上表现优越，且药物邻域更具生物学一致性。
📝 摘要（中文）
多模态药物发现通过结合细胞反应（如基因表达和细胞形态）来超越化学结构进行药物表示学习。然而，直接融合和实例级对比对齐可能会混合机制相关信号与模态特定噪声，错误地分离结构上不同但生物学上相关的化合物。为此，本文提出PMRD框架，旨在通过分离机制一致因素与模态特定信息，构建共识反应域，从而提高零样本药物属性预测的准确性。实验结果表明，PMRD在公共数据集上实现了更好的零样本属性预测和更生物学一致的药物邻域。
🔬 方法详解
问题定义：本文旨在解决多模态药物属性预测中的信号混合问题，现有方法在对齐过程中容易将机制相关信号与模态特定噪声混淆，导致预测不准确。
核心思路：PMRD框架通过分离机制一致因素与模态特定信息，构建一个共识反应域，从而提高对未见化合物的预测能力。该设计旨在保留机制模式，减少噪声干扰。
技术框架：PMRD框架主要包括机制候选增强、检索几何归因和可靠性感知多视图检索等模块。机制候选增强用于识别局部稳定因素，而检索几何归因则动态调整对齐和增强目标的权重。
关键创新：PMRD的核心创新在于机制候选增强与检索几何归因的结合，能够有效抑制与机制区分检索相冲突的训练信号，这一设计在现有方法中并不常见。
关键设计：在损失函数设计上，PMRD采用了动态权重调整机制，以确保更新过程中的药物间可区分性。此外，网络结构中引入了多视图检索机制，以增强不同模态间的互补表示。
🖼️ 关键图片
📊 实验亮点
实验结果表明，PMRD在零样本药物属性预测上显著优于现有基线，具体表现为预测准确率提升了XX%。此外，药物邻域的生物学一致性得到了增强，表明该框架在处理结构上不同但生物学相关的化合物时表现出色。
🎯 应用场景
该研究在药物发现领域具有广泛的应用潜力，尤其是在新药研发和个性化医疗中。通过提高药物属性预测的准确性，PMRD框架能够帮助研究人员更有效地识别潜在的药物候选者，从而加速药物开发过程，并降低研发成本。
📄 摘要（原文）
Multimodal drug discovery enables drug representation learning beyond chemical structure by incorporating cellular responses such as gene expression and cell morphology. However, direct fusion and instance-level contrastive alignment may mix mechanism-related signals with modality-specific noise and incorrectly separate structurally dissimilar but biologically related compounds. This limitation can obscure transferable mechanism patterns required for predicting the properties of unseen compounds. We introduce PMRD, a pharmacological response domain-guided framework for multimodal zero-shot drug property prediction. PMRD separates mechanism-consistent factors from modality-specific information and constructs a consensus response domain across three modalities. Mechanism candidate augmentation identifies locally stable factors, while retrieval-geometry attribution dynamically reweights the alignment and augmentation objectives according to whether their updates preserve inter-drug discriminability.This feedback suppresses training signals that conflict with mechanism-discriminative retrieval. PMRD further combines complementary representations through reliability-aware multiview retrieval. Experiments on public datasets show improved zero-shot property prediction and more biologically coherent drug neighborhoods. Hard-negative analysis further indicates fewer conflicts between structurally dissimilar but response-related compounds. These results support PMRD as an effective framework for mechanism-aware multimodal drug representation learning.\footnote{The code will be released upon publication.}