新上线今天0 投票
PhenMol：在细胞表型中学习分子表示并保持结构完整性
药物发现的新视角：从细胞表型到分子表示
传统的药物研发多聚焦于分子结构本身，但细胞对药物的反应——即表型——往往能揭示更接近疾病机理的功能关联。表型药物发现正是利用这一点，通过观察细胞形态变化来寻找潜在药物。然而，如何将分子结构与细胞表型有效地结合起来，一直是计算生物学中的难题。
现有方法的瓶颈
目前的多模态表示学习方法，通常将分子和细胞数据映射到同一空间，以追求跨模态的对齐。但这种做法往往忽视了化学空间本身的内在组织——即分子间的结构相似性。结果，分子表示可能出现扭曲，丢失了关键的化学结构信息，影响下游任务的准确性。
PhenMol的破局之道
针对上述问题，研究团队提出了一种名为 PhenMol 的新型框架。其核心思想是：在利用细胞表型信息的同时，保持化学结构的完整性。
PhenMol 将分子和细胞表示分别分解为共享成分和私有成分。共享成分用于实现表型引导的对齐，而私有成分则通过专门的分子分支，保留分子自身的结构特性。这种设计使得模型能够整合细胞表型信息，却不会破坏分子的邻域组织（即相似分子在表示空间中依然彼此靠近）。
显著的实验成果
研究团队在约 3.04 万对分子-细胞形态配对上进行了实验，结果显示 PhenMol 在多个任务上取得了显著提升：
- 分子性质预测：在 270 项生物活性任务上表现更优
- 分子-表型检索：准确率更高
- 临床试验结果预测：能力更强
此外，通过 ECFP4 分子指纹进行的结构分析表明，PhenMol 能更好地保持分子邻域关系，减少表示扭曲，优于现有的多模态对齐方法。
意义与展望
这项研究强调了在分子表示学习中引入结构保持约束的重要性。它不仅为多模态分子学习提供了新思路，也为药物发现中整合细胞表型与化学知识开辟了更有效的途径。未来，这一框架有望在药物筛选、靶点发现等领域发挥更大作用。
