مدل Mol-JEPA یک مدل بنیادین مولکولی چندوجهی است که به‌جای یادگیری فقط… — DeepMind AI Expert

DeepMind AI Expert@ai_deepmind · 15.5K subscribers Open in TelegramOpen

مدل Mol-JEPA یک مدل بنیادین مولکولی چندوجهی است که به‌جای یادگیری فقط از ساختار مولکول، اطلاعات ساختاری، فیزیکی، کوانتومی، سلولی، فعالیت زیستی، binding و ADMET را با یکدیگر ترکیب می‌کند. در زمان آموزش، برخی از این modalityها مخفی می‌شوند و Transformer باید embedding آن‌ها را از اطلاعات باقی‌مانده پیش‌بینی کند. به این ترتیب مدل بدون نیاز به augmentationهای مصنوعی مولکول یا negative sampling، روابط میان ویژگی‌های مختلف یک مولکول را در یک فضای latent یاد می‌گیرد.

نتایج نشان می‌دهند که این رویکرد به‌ویژه در شرایطی که داده برچسب‌دار کم است وهمچنین برای مولکول‌هایی که با داده‌های آموزشی تفاوت دارند، مزیت دارد.

نکته کلیدی مقاله این است که برای ساخت یک «world model مولکولی»، صرفاً دانستن ساختار شیمیایی کافی نیست؛ مدل باید اطلاعات مربوط به رفتار مولکول در محیط‌های زیستی و فیزیکی را نیز یاد بگیرد. Mol-JEPA یک چارچوب مقیاس‌پذیر برای انجام همین کار ارائه می‌دهد.

▪️ Mol-JEPA: A multimodal Joint Embedding Predictive Architecture for Molecules

#زیست_شناسی #ژنتیک #علوم_پزشکی #مقاله #داروسازی

☑️ @AI_DeepMind
✅ @AI_Person

t.me/ai_deepmind/5039 Translate

August 27, 2026 2.9K 47