化学进展

作者：陈昊天, 杨涛, 刘晓彤

单位：<sup class=\mag-xml-aff-label-sup added-by-sys\>1</sup> 北京信息科技大学计算机学院 北京 100192,<sup class=\mag-xml-aff-label-sup added-by-sys\>2</sup> 北京信息科技大学北京材料基因工程高精尖创新中心 北京 100192

关键词：分子嵌入,机器学习,表示学习,性质预测,多模态,自监督学习

基金：国家自然科学基金项目(22272009),国家自然科学基金项目(22203008)

化学分子的有效表示是推动化学信息学和新材料研发的关键。近年来发展出的基于数据驱动的分子表示技术，相较于传统手工设计描述符和图结构分析方法，能够有效避免噪声和信息冗余，为高效精准性质预测提供支持。嵌入表示具备高效信息压缩、数据表征增强和语义保留等特点，已广泛应用于深度学习与数据挖掘等领域。受自然语言处理领域词嵌入启发，研究者开始探索将类似方法应用于化学分子的隐藏空间构建，并提出多种用于分子性质预测和分子结构生成的嵌入方法。本综述首先阐述了机器学习中通用嵌入技术的原理，进而依次探讨了化学元素隐藏空间表示方法和化学分子隐藏空间嵌入技术。通过梳理自然语言处理、图嵌入等领域相关技术在分子嵌入中的创新应用，揭示当前分子嵌入正逐步向多模态、自监督学习和动态建模方向演进，对未来研究发展趋势提出展望。

来源：2025年第10期

《化学进展》期刊编辑部

查看化学进展杂志2025年第10期