MoTIF-X: A Multimodal Tokenized Framework for Interpretable and Extensible Molecular Representation Learning

📄 arXiv: 2609.37384v1 📥 PDF

作者: Linqing Mo, Jiayu Zhou, Bin Chen

分类: cs.LG

发布日期: 2026-09-29

备注: 5 figures. Supplementary material is available as an ancillary file. Code: https://github.com/Bin-Chen-Lab/Motif-X

💡 一句话要点

提出MoTIF-X框架以解决分子表示学习中的多模态整合问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 分子表示学习 多模态整合 可解释性 药物发现 基元中心设计

📋 核心要点

  1. 现有多模态分子表示学习方法独立编码不同视图，限制了跨模态交互和可解释性。
  2. MoTIF-X框架通过图基础的化学基元作为共享锚点，进行多模态整合和解释。
  3. 在多个药物类分子的实验中，MoTIF-X在多个评估基准上表现最佳，且具有良好的可解释性。

📝 摘要（中文）

分子表示学习是计算机辅助药物发现的核心。现有的多模态方法通常独立编码分子图、SMILES字符串和3D构象，限制了细粒度的跨模态交互和亚结构级的可解释性。为了解决这些问题，本文提出了MoTIF-X框架，利用图基础的化学基元作为多模态整合和解释的共享锚点。该框架通过分层对比学习在原子、基元和分子尺度上学习基元表示，并通过多模态掩码令牌建模将这些表示与SMILES和扭转角令牌进行上下文化。经过预训练，MoTIF-X在多个药物类分子上取得了最佳性能，支持其作为可转移和可解释的分子建模框架。

🔬 方法详解

问题定义：本文旨在解决现有多模态分子表示学习方法在编码不同视图时的独立性问题，导致细粒度的跨模态交互和亚结构级可解释性不足。

核心思路：MoTIF-X框架通过使用图基础的化学基元作为共享锚点，促进不同模态之间的整合与解释，从而提升模型的可解释性和性能。

技术框架：该框架分为两个主要阶段：第一阶段通过分层对比学习在原子、基元和分子尺度上学习基元表示；第二阶段通过多模态掩码令牌建模，将这些表示与SMILES和扭转角令牌进行上下文化。

关键创新：MoTIF-X的核心创新在于其基于基元的设计，使得不同模态之间的整合更加紧密，显著提高了模型的可解释性和性能。与现有方法相比，MoTIF-X在多模态交互上实现了更高的细粒度理解。

关键设计：在模型设计中，采用了分层对比学习的损失函数，确保不同尺度的基元表示能够有效学习，同时在多模态掩码令牌建模中，设置了适当的掩码比例，以增强模型的上下文理解能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个药物类分子的预训练实验中，MoTIF-X在九个OpenADMET ExpansionRx端点上实现了最低的平均绝对误差，并在评估的所有方法中表现最佳。显著性分析支持其在大多数端点基线比较中的优势，且消融研究验证了基元令牌上下文化和多模态整合的互补贡献。

🎯 应用场景

MoTIF-X框架在药物发现领域具有广泛的应用潜力，能够有效预测分子的性质和药物-靶点相互作用。其可解释性设计使得研究人员能够深入理解分子结构与生物活性之间的关系，推动新药研发的进程。

📄 摘要（原文）

Molecular representation learning is central to computer-aided drug discovery. Molecular graphs, SMILES strings, and 3D conformations provide complementary structural information, yet many multimodal approaches encode these views independently and align them only at a later stage, limiting fine-grained cross-modal interaction and substructure-level interpretability. To address these limitations, we introduce MoTIF-X, a motif-centered framework that uses graph-grounded chemical motifs as shared anchors for multimodal integration and interpretation. Its first pretraining stage learns motif representations through hierarchical contrastive learning across atomic, motif, and molecular scales. The second stage contextualizes these representations with SMILES and torsion-angle tokens through multimodal masked token modeling. After pretraining on drug-like molecules with multiple conformers, MoTIF-X achieved the lowest mean absolute error on all nine OpenADMET ExpansionRx endpoints and the best overall performance among the evaluated methods. Significance analyses supported its advantage in the vast majority of endpoint-baseline comparisons after multiple-testing correction. Ablation studies supported the complementary contributions of motif-token contextualization, multimodal integration, and two-stage pretraining. Beyond molecular properties, the framework extended to drug-target interaction prediction, achieving the best average classification performance across the evaluated benchmarks and generalizing to an external drug-cold-start dataset without additional fine-tuning. Its motif-centered design also enabled substructure-level interpretation: higher motif attribution scores were associated with larger experimentally measured activity shifts. Together, these findings support MoTIF-X as a transferable and interpretable framework for molecular modeling.