学术研究报告：M3-20M——面向AI药物设计的大规模多模态分子数据集

作者与发表信息

本研究由同济大学计算机科学与技术系的Siyuan Guo、Lexuan Wang、Chang Jin、Han Peng、Huayang Shi、Wengen Li、Jihong Guan（通讯作者）与复旦大学计算机科学学院的Jinxian Wang、Shuigeng Zhou（通讯作者）合作完成，发表于期刊《journal title here》2022年第1-13页，DOI为doi here，预印本发布于arXiv:2412.06847v2。

学术背景

药物设计与发现是药学领域的核心方向，旨在通过识别新型治疗化合物并优化其临床特性加速药物开发。传统方法依赖单模态分子数据（如SMILES字符串或二维分子图），但此类数据难以全面表征分子特性，限制了AI模型的性能。近年来，多模态分子数据（如结合结构、属性和文本描述）成为研究热点，但现有数据集（如PubChemSTM、IGCData）规模小、模态不全。为此，本研究构建了M3-20M——目前最大的开源多模态分子数据集，包含超过2000万分子，整合了一维SMILES、二维分子图、三维结构、理化属性及文本描述，旨在为AI驱动的药物设计提供更全面的训练资源。

研究流程与方法

1. 数据收集与整合

• 来源：数据主要整合自PubChem、ZINC和QM9数据库，涵盖19,175,245条原始分子记录。
  
• 多模态构建：
  
  • 1D SMILES：直接提取原始数据。
    
  • 2D分子图：通过RDKit的Chem功能生成原子特征与化学键信息。
    
  • 3D结构：通过PubChem API批量下载SDF文件，并利用RDKit计算原子坐标。
    
  • 理化属性：从PubChem提取26种关键属性（如分子量、氢键供体数等，详见表10）。
    
  • 文本描述：通过三种途径补充：
    
  1. 直接提取PubChem已有描述（360,133条）；
     
  2. 将理化属性转化为结构化文本（如“logP值为3.2”）；
     
  3. 通过GPT-3.5生成描述（1,073,845条），并设计专家评分机制验证科学性（合格率98.8%）。
     

2. 文本生成与质量控制

• GPT-3.5优化：初始提示词因化学术语错误被弃用，最终采用专家化提示模板（如“作为化学专家，仅根据SMILES描述分子结构、性质及潜在应用”）。
  
• 人工验证：6名化学专业评审员对12,000条生成描述进行四维评分（准确性、有效性、全面性、简洁性），不合格文本重新生成。
  

3. 下游任务子集构建

为支持特定任务，研究团队构建了7个子集：
- 分子生成：MOSES-MM、QM9-MM；
- 性质预测：BBBP-MM、BACE-MM、HIV-MM等，均补充了PubChem CID和文本描述。

4. 实验验证

通过两类任务验证数据集价值：
1. 分子生成：对比单模态（仅SMILES）与多模态数据（SMILES+3D坐标+文本）在GLM4、GPT-4等模型上的表现。
- 指标：有效性（Validity）、独特性（Uniqueness）、新颖性（Novelty）。
- 结果：多模态数据显著提升模型性能（如GPT-4有效性从92.3%升至97.99%）。
2. 性质预测：
- 回归任务（如预测偶极矩）：多模态数据平均绝对误差（MAE）降低（如GLM-4预测极化率误差从12.82降至12.05）。
- 分类任务（如毒性预测）：在Tox21-MM的12项子任务中，8项准确率提升（如NR-AhR任务从87.4%升至90.2%）。

主要结果与逻辑关联

• 规模优势：M3-20M分子数量是现有最大多模态数据集（PubChemSTM）的71倍，覆盖更广化学空间。
  
• 模态互补性：文本描述与结构数据结合，使模型更全面理解分子特性（如GPT-3.5生成分子的新颖性从85.72%提升至96.51%）。
  
• 下游任务适配性：子集设计支持分子生成、虚拟筛选等任务，如BACE-MM的准确率从84.4%提升至88.7%。
  

结论与价值

1. 科学价值：M3-20M填补了大规模多模态分子数据空白，为AI模型训练提供了更全面的信息源。
   
2. 应用价值：可加速药物发现流程，如通过多模态数据生成更具多样性的候选分子，或高精度预测ADMET（吸收、分布、代谢、排泄、毒性）性质。
   
3. 方法论创新：首次将LLM（大语言模型）生成的文本描述与分子数据结合，并通过专家评分确保科学性。
   

研究亮点

• 规模与模态：首个超2000万分子的多模态开源数据集，涵盖5种模态。
  
• 生成文本质量控制：结合专家评分与GPT-3.5，解决文本稀疏性问题。
  
• 跨模型验证：在GLM4、Llama3-8B等不同架构中均表现优越。
  

其他价值

• 工具开源：提供分子图生成、PubMed文献爬取工具，进一步扩展文本描述来源。
  
• 动态维护：由6人团队每两周更新数据，确保长期可靠性。
  

（注：专业术语如SMILES（简化分子线性输入规范）、ADMET（药物代谢动力学）等在首次出现时标注英文原词。）