新方法单次前向预测分子亲和力，小样本下达 FS-Mol 最优。
资讯摘要
论文提出分子先验网络（Molecular Prior Networks），借鉴 Prior-data Fitted Networks 思路，用 transformer 在单次前向中根据带标签的支持分子预测查询分子的亲和力标签。模型在数千个已有亲和力数据集上训练，以捕捉跨靶点、化学系列与数据集规模的活性模式。作者报告，在最小支持集下，该模型在 FS-Mol 基准回归变体上达到当前最优水平，且因无需任务特定训练而更快；与简化版架构（相当于元学习特征空间中的核回归）对比显示，其预测性能仅部分可由简单分子相似性解释。
要点速读
- 论文提出分子先验网络，用 transformer 单次前向从支持分子预测查询分子的药物靶点亲和力。
- 模型在数千个已有亲和力数据集上训练，以学习跨靶点、化学系列和数据集规模的通用模式。
- 作者报告在最小支持集下，该模型在 FS-Mol 回归基准上达到当前最优水平，且比现有方法更快。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。