Towards Foundational Models for Molecular Learning on Large-Scale Multi-Task Datasets
Notice bibliographique
Résumé
Pretraining foundation models that adapt to a wide range of molecule tasks have been long pursued by the community of drug discovery. While self-supervised learning methods are developed to leverage the sheer number of unlabeled molecules for pretraining, the landscape of supervised learning is much underexplored due to the absence of proper datasets and codebases. To facilitate the study of supervised learning on molecules, we curate 7 datasets with node- and graph-level supervision, and develop a library for studying multi-task learning models. The datasets are separated into 2 categories. First, the Toy-mix category contains 3 small datasets that are well known and well studied in the literature, but with the additional constraint that they must be used in a multi-task setting. Second, the Large-mix category contains 4 large datasets that, together, contain tens of billions of graph-level data points and tens of billions node-level data points associated to 100M unique molecules, representing orders of magnitude more data than other 2D-GNN datasets. Since molecule tasks are distributed across multiple levels, we design our library to explicitly consider multi-tasking alongside multi-level representations, backed by a large collection of models and features for different levels. With such a library design to accompany the datasets, we hope to accelerate the development of foundational models for molecules.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».