Uni-Mol 论文精读：3D 预训练何时比 SMILES/GNN 更有意义

Uni-Mol（Zhou 等, ICLR 2023）是一套面向 3D 分子表示学习的预训练框架。它的出发点是：很多药物发现任务不只取决于二维连接关系，还取决于三维构象、距离和空间相互作用。

它在学什么

• 原子类型 + 坐标：模型直接接收三维原子坐标和距离关系。
• 3D 预训练任务：通过坐标去噪、距离建模等任务学习空间表征。
• 下游迁移：可用于分子性质预测、构象生成、蛋白-配体相关任务。

边界

• 3D 模型的输入构象很重要；构象错了，模型学到的空间信息也会偏。
• 对不依赖 3D 的简单性质，2D 指纹或 GNN 可能已经足够。
• 对 docking、构象、形状/静电相关任务，3D 预训练更有优势。

延伸资源

• 论文：Zhou et al., ICLR 2023；配套：104《Uni-Mol Docking》。