通用分子基础模型在多种嗅觉任务中实现迁移

研究人员在arXiv发表论文，将通用分子基础模型Uni-Mol2在GS-LF基准上微调用于气味描述符预测，评估其在跨数据集预测、有气味与无气味分类、对映异构体和气味混合物区分等任务中的表现。结果显示该模型匹配或超过专用模型，并成功迁移到多个下游任务，支持训练一次、迁移多任务范式。

此前气味预测多依赖专用模型，领域是否能用通用分子基础模型迁移尚不明确。该研究证明，在单一规范任务上微调的基础模型可零样本迁移到多种嗅觉任务，性能不逊于专用基线，为机器嗅觉领域提供了可复用的基础范式，减少重复训练成本。

基础模型Uni-Mol2通过预训练学习通用化学表示，微调时仅用气味描述符任务调整，使表示富含嗅觉相关信息。这些表示被下游分类、对映体评估等任务直接使用，无需额外深度训练，说明预训练表征具备跨任务泛化能力。三维结构表示还能区分镜像分子，这是二维图模型无法做到的，但预测立体化学的感知后果仍是挑战。

对产品研发，可减少为每项嗅觉任务单独训练模型的需求，降低模型开发时间和算力成本。基于通用基础模型，团队可快速构建多种气味预测功能，如气味描述符预测、气味分类、混合物区分等。对香精香料、食品饮料、环境监测等涉及气味分析的行业，产品原型验证周期可缩短，但需注意对映异构体感知预测仍有限制。

• 利用微调后的Uni-Mol2构建气味描述符预测API，供香精香料企业快速评估新化合物气味特征。
• 开发面向科研用户的气味分类模型，支持无气味与有气味化合物筛选，用于药物和化学品安全评估。
• 集成三维分子表示的对映体区分能力，开发辅助手性分子香气性质预测的工具。
• 基于预训练表示构建零样本迁移管道，为特定客户定制气味预测模型，减少定制训练成本。

• 模型在真实工业气味样本（如复杂天然产物混合物）上的性能未在证据中验证。
• 对映异构体感知预测的具体准确率未提供，立体化学感知挑战的细节不明。
• 跨数据集预测的具体场景和性能提升幅度未给出量化数据。
• 与其他基础模型（如基于图或序列的模型）的系统对比未在证据中说明。