通过目标感知源选择重新思考分子分布外泛化
研究人员提出了SCOPE-BENCH，一种新的基准测试，用于评估极端分布外条件下的分子性质预测，以及POMA框架，它利用强化学习选择最优源骨架进行域适应。结果表明，现有模型在新基准上的误差增加高达8倍，而POMA将误差降低了最多11.2%。
在人工智能驱动的药物发现中，分子性质的鲁棒预测在极端分布外（OOD）场景下是一个关键瓶颈。当前基于骨架分割的协议（scaffold-splitting）无法阻止微观语义重叠，导致模型倾向于捷径学习并高估其真实外推能力。同时，传统域适应方法在极端结构变化下表现不佳，因为盲目对齐异质源库会引入拓扑噪声并引发负迁移。
为了应对这两大挑战，研究人员提出了SCOPE-BENCH（骨架簇分布外性能评估基准），这是一个基于显式物理化学描述符空间中的簇级划分的基准测试。与现有方法不同，SCOPE-BENCH通过聚类确保训练集和测试集在分子结构上具有显著差异，从而更真实地反映模型的泛化能力。该基准包含多个簇，每个簇代表一组具有相似物理化学性质的分子，训练集和测试集来自不同的簇，从而评估模型在未见过的化学空间上的表现。
此外，研究团队还开发了POMA（多源适应策略优化）框架，该框架将知识转移形式化为一个“检索-组合-适应”流水线。首先，从有标签的源骨架中识别出与未标签目标结构接近的代理目标；然后，利用强化学习策略从指数级大的候选池中自适应选择最优源子集；最后，在宏观拓扑和微观药效团两个尺度上进行双尺度域适应。POMA的核心创新在于通过强化学习动态选择最适合的源数据，而不是盲目使用所有可用数据，从而避免了负迁移。
实验评估显示，最先进的3D分子模型（如EGNN、SphereNet等）在SCOPE-BENCH上的预测误差飙升最高达8.0倍，平均达5.9倍，表明现有模型在面对全新的分子骨架时几乎失效。而POMA在多种骨干架构上实现了平均绝对误差降低最高11.2%，平均相对改进6.2%。具体来说，POMA在EGNN上取得了最佳改进，误差降低11.2%，在SphereNet上降低了8.7%，在DimeNet++上降低了6.0%。这些结果证明，通过目标感知的源选择，POMA能够有效缓解极端分布外条件下的负迁移问题，显著提升分子性质预测的鲁棒性。
该研究的代码已在匿名仓库公开，为分子性质预测领域提供了新的评估标准和改进方向。未来工作可以进一步探索POMA在其他分子预测任务（如毒性预测、溶解度预测）上的应用，以及扩展到更多类型的分子表示学习模型中。