A General-Purpose Molecular Foundation Model Transfers Across Diverse Olfactory Tasks
作者: Yikun Han, Yi Wang, Neil Mankodi, Stephen Yang, Ambuj Tewari
分类: cs.LG
发布日期: 2026-08-26
备注: 18 pages, 6 figures. Supplementary information included
💡 一句话要点
提出通用分子基础模型以解决多样化嗅觉任务
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 分子基础模型 机器嗅觉 气味预测 跨任务转移 化学预训练
📋 核心要点
- 现有的嗅觉预测模型通常在单一任务上进行微调，缺乏跨任务转移能力，限制了其应用范围。
- 本文提出通过在GS-LF基准上微调Uni-Mol2模型，探索其在多种嗅觉任务中的转移能力，验证了模型的通用性。
- 实验结果显示，微调后的模型在多个下游任务中表现优异，超越了现有的嗅觉特定基线，展示了良好的转移能力。
📝 摘要（中文）
基础模型已在分子属性预测领域取得了显著进展，但尚不清楚单一嗅觉预测任务微调的分子基础模型是否能在多种机器嗅觉问题中有效转移表示。本文通过在GS-LF基准上微调Uni-Mol2模型，评估其在四个下游任务中的表现，包括跨数据集的气味描述符预测、气味与无气味分类、对映体评估及气味混合物可辨别性。结果表明，微调后的模型在主要GS-LF基准上表现优于现有的嗅觉特定基线，并在下游评估中表现一致。对映体分析进一步显示，三维分子表示能够区分镜像分子，而二维图模型则无法做到，尽管准确预测立体化学的感知后果仍然是一个开放性挑战。这些结果支持了一种“训练一次，跨任务转移”的机器嗅觉范式，并表明化学预训练的分子表示为可转移的嗅觉预测提供了坚实基础。
🔬 方法详解
问题定义：本文旨在解决分子基础模型在单一嗅觉任务微调后，是否能够有效转移到多样化的机器嗅觉问题上。现有方法往往专注于特定任务，缺乏通用性和灵活性。
核心思路：论文的核心思路是通过在GS-LF基准上微调Uni-Mol2模型，评估其在多个下游嗅觉任务中的表现，验证其跨任务的转移能力。这样的设计旨在探索化学预训练模型的通用性。
技术框架：整体架构包括对Uni-Mol2模型的微调过程，随后在四个下游任务上进行评估。这些任务包括跨数据集的气味描述符预测、气味与无气味分类、对映体评估及气味混合物可辨别性。
关键创新：最重要的技术创新在于提出了一种“训练一次，跨任务转移”的范式，表明化学预训练的分子表示能够在不同嗅觉任务中有效转移，超越了传统的任务特定模型。
关键设计：在微调过程中，采用了适当的损失函数和参数设置，以确保模型能够在不同任务中保持良好的性能。具体的网络结构细节和训练策略在论文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，微调后的Uni-Mol2模型在GS-LF基准上表现优于现有的嗅觉特定基线，且在多个下游任务中均表现出色，验证了其跨任务转移能力。具体而言，模型在气味描述符预测中达到了新的性能标准，展示了显著的提升幅度。
🎯 应用场景
该研究的潜在应用领域包括食品工业、香料开发、环境监测等，能够帮助科学家和工程师更好地理解和预测气味特性。未来，该模型可能在嗅觉机器人和智能传感器中发挥重要作用，推动机器嗅觉技术的发展。
📄 摘要（原文）
Foundation models have transformed molecular property prediction, yet it remains unclear whether a molecular foundation model, fine-tuned on a single canonical olfactory prediction task, can learn representations that transfer across diverse machine olfaction problems. We investigate this question by fine-tuning Uni-Mol2 on the GS-LF benchmark for multi-label odor descriptor prediction and evaluating the resulting model, without additional deep-learning training, on four complementary downstream settings: cross-dataset odor descriptor prediction, odorous-versus-odorless classification, enantiomer evaluation, and odor mixture discriminability. The fine-tuned model matches or exceeds the performance of the state-of-the-art olfaction-specific baseline on the primary GS-LF benchmark and consistently transfers across these downstream evaluations. The enantiomer analysis further shows that three-dimensional molecular representations distinguish mirror-image molecules in a way that two-dimensional graph models fundamentally cannot, although accurately predicting the perceptual consequences of stereochemistry remains an open challenge. Together, these results support a train-once, transfer-across-tasks paradigm for machine olfaction and suggest that chemically pretrained molecular representations provide a strong foundation for transferable olfactory prediction.