摘要
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，实现药物表示学习。然而，直接融合和实例级对比对齐可能会将机制相关信号与模态特定噪声混合，错误地分离结构上不相似但生物学上相关的化合物。这一限制可能会模糊预测未见化合物所需的可转移机制模式。
我们提出了PMRD，一个药理反应领域引导的框架，用于多模态零样本药物属性预测。PMRD将机制一致的因素与模态特定信息分离，并构建跨三个模态的一致反应领域。机制候选增强识别局部稳定因素，而检索几何归因根据更新是否保持药物间的可区分性动态重新加权对齐和增强目标。这一反馈抑制了与机制区分检索相冲突的训练信号。
PMRD进一步通过可靠性感知的多视角检索结合互补表示。对公共数据集的实验表明，零样本属性预测得到了改善，并且药物邻域更具生物学一致性。困难负样本分析进一步表明，结构上不相似但反应相关的化合物之间的冲突更少。这些结果支持PMRD作为一种有效的机制感知多模态药物表示学习框架。
博主点评： PMRD框架通过有效整合细胞反应与药物属性，展示了在药物发现领域的新思路。其机制一致性与模态分离的创新方法，为未来的药物开发提供了重要的研究方向，尤其是在处理复杂生物反应时的有效性令人期待。