Uni-Bond: Wie aus einem zweiwöchigen Sommerschulprojekt ein ICML-2026-Workshop-Paper wurde
Uni-Bond ist ein molekulares Bindung-Graph-Vorhersagemodell, das den bisherigen Spitzenwert (YuelBond) in der exakten Fehlerrate etwa um das Zwanzigfache übertrifft. Entwickelt während eines Sommerschulprojekts am AIRI, wurde es später verfeinert und auf dem Workshop „Graph Foundation Models“ auf der ICML 2026 angenommen. Das Modell verwendet einen eingefrorenen Uni-Mol-Encoder mit einem leichten MLP-Kopf auf paarweisen Atomrepräsentationen.
Das Projekt begann an der AIRI-Sommerschule an der Staatlichen Universität Tomsk im Jahr 2025. Das Team (Stepan Pavlenko, Pavel Maslov, Ivan Burov) verfolgte zunächst das Ziel, aus 3D-Atomkoordinaten mithilfe von Large Language Models (LLMs) mit Reinforcement-Learning-Feintuning SMILES-Strings zu generieren, wechselte jedoch nach drei Tagen zur Vorhersage von Bindungsgraphen. Mit einem vortrainierten geometrischen Encoder Uni-Mol (~47 Millionen Parameter) und einem leichten MLP-Head (~74.000 trainierbare Parameter) erreichten sie einen makro-F1-Wert von 0,9997 und eine exakte Übereinstimmung von 99,53 % auf dem GEOM-Benchmark (Scaffold-Split), verglichen mit YuelBonds F1-Wert von 0,975 und 83,2 % exakter Übereinstimmung – eine etwa 20-fache Reduktion der Fehlerrate. Im Gegensatz zu YuelBond vermeidet das Modell zudem falsche Bindungen in Dimeren. Ein paralleler Ansatz verwendete LoRA-feingetunetes Galactica-1.3B mit Koordinatentokenisierung (wie bei BindGPT) zur direkten SMILES-Erzeugung und erreichte >99,7 % Validität auf In-Distribution-Daten, aber nahezu keine exakte Übereinstimmung bei Out-of-Domain-Peptiden. Die Arbeit wurde auf dem Graph Foundation Models Workshop auf der ICML 2026 in Seoul angenommen.
Quelle: Habr — хаб ИИ —
Original