摘要
分子科学涉及多种类型与尺寸的分子及其复合物所引发的广泛问题。近年来，几何深度学习，尤其是图神经网络（Graph Neural Networks），在分子科学应用中展现出令人瞩目的性能。然而，现有大多数方法通常针对特定分子体系引入特定的归纳偏置（inductive biases），在处理大分子或大规模任务时效率低下，从而限制了其在诸多现实问题中的应用。为应对这些挑战，我们提出PAMNet——一种通用框架，能够高效且准确地学习任意分子体系中三维（3D）分子在不同尺寸与类型下的表示。受分子力学的启发，PAMNet引入了物理信息驱动的归纳偏置，显式建模局部与非局部相互作用及其协同效应。由此，PAMNet显著减少了计算开销，具备优异的时间与内存效率。在广泛的基准测试中，PAMNet在三项不同学习任务——小分子性质预测、RNA三维结构建模以及蛋白质-配体结合亲和力预测——上均优于当前最先进的基线方法，在准确率与效率方面均表现突出。我们的研究结果表明，PAMNet在分子科学的诸多应用中具有广阔前景。