01 引言

這是 UIUC Zifeng Wang 等發(fā)表在 ICLR'24 上的論文。

論文題目：

BioBridge: Bridging Biomedical Foundation Models via Knowledge Graphs

論文鏈接：

??https://arxiv.org/pdf/2310.03320.pdf??

在生物醫(yī)學(xué)研究領(lǐng)域，一直以來，基礎(chǔ)模型（Foundation Models，簡稱FMs）大多局限于單一模態(tài)的數(shù)據(jù)處理，比如僅僅專注于蛋白質(zhì)序列、小分子結(jié)構(gòu)或者是臨床數(shù)據(jù)分析。這種單模態(tài)的處理框架雖然在特定任務(wù)上表現(xiàn)出色，但在應(yīng)對多樣化的生物醫(yī)學(xué)數(shù)據(jù)時(shí)，其潛能卻受到了限制。

▲ 幾種構(gòu)建多模態(tài)模型的方法：CLIP，ImageBind，BioBridge

02 CLIP

傳統(tǒng)的多模態(tài)方法，比如大名鼎鼎的 CLIP 模型 [1]，大多建立在配對的多模態(tài)數(shù)據(jù)上。比如，如果我們要訓(xùn)練一個(gè)蛋白質(zhì)-文本模型，就需要收集大量的蛋白質(zhì)序列和其對應(yīng)的文本描述，從而做對比學(xué)習(xí)。這一類工作有很多，比如在 x-rays 和臨床筆記上做對比的 MedCLIP [2]，在文本和蛋白質(zhì)上做的 ProteinDT [3]，在文本和分子上做的 MolT5 [4]，等等。

但是，假如我們有超過兩個(gè)模態(tài)，比如有三個(gè)模態(tài) A,B,C，在這種思路下，我們就需要三種配對數(shù)據(jù)，AB, AC, 和 BC，才能訓(xùn)練一個(gè)三塔的多模態(tài)模型。當(dāng)存在更多模態(tài)的時(shí)候，這種對于數(shù)據(jù)的需要是排列組合式增長的。這就使這種配對數(shù)據(jù)的思路很難用于超過兩個(gè)模態(tài)的情況。

03 ImageBind

ImageBind [5] 是 Meta AI 提出的一種用來構(gòu)建多模態(tài)檢索模型的一種方法。其本質(zhì)是選擇一個(gè)模態(tài)作為中間模態(tài)，比如圖片，然后讓其他模態(tài)的模型都向圖片模態(tài)靠攏。在這情況下，假設(shè)我們有一個(gè)中間模態(tài) A，還有另外兩個(gè)模態(tài) B,C，我們就需要收集 AB 和 AC 兩種配對數(shù)據(jù)。在這種情況下，ImageBind 一共需要 （模態(tài)數(shù)-1）個(gè)數(shù)的配對數(shù)據(jù)，而且需要更新 （模態(tài)數(shù)-1）個(gè)模態(tài)的編碼器來構(gòu)建多模態(tài)系統(tǒng)。

04 BioBridge

本文提出用知識(shí)圖譜（KG）來作為多模態(tài)數(shù)據(jù)源，從而將獨(dú)立訓(xùn)練的單模態(tài)基礎(chǔ)模型橋接（Bridge）成一個(gè)能夠處理多種數(shù)據(jù)模態(tài)的系統(tǒng)（Multimodal FM）。

單模態(tài)的數(shù)據(jù)往往比多模態(tài)數(shù)據(jù)的數(shù)量要大的多。我們可以收集到超過 2.5 億個(gè)蛋白質(zhì)序列或者 15 億個(gè)分子結(jié)構(gòu)，但是只能收集到 44 萬個(gè)蛋白質(zhì)文本對。大模型的縮放原理告訴我們，基礎(chǔ)模型需要“大”數(shù)據(jù)才能產(chǎn)生所謂的 emergent ability。所以我們更容易訓(xùn)練出很好的單模態(tài)模型，卻不容易從零開始訓(xùn)練出一個(gè)多模態(tài)模性。

在這種思路下，我們希望能夠在訓(xùn)練好的單模態(tài)基礎(chǔ)模型的基礎(chǔ)上，去把它們合并在一起去作為一個(gè)多模態(tài)的系統(tǒng)。這就產(chǎn)生了這篇文章里提到的 “bridge” 的概念。

KG 存在許多三元組，比如（蛋白質(zhì) A, associated with，疾病 B）。這樣，我們希望能夠用一個(gè)單模態(tài)的蛋白質(zhì)模型去編碼蛋白質(zhì) A，然后設(shè)計(jì)一個(gè)關(guān)系模型取編碼 “associated with”，將蛋白質(zhì) A 的embedding 映射到疾病的 space 里。這樣，我們可以匹配由蛋白質(zhì) A 生成的 embedding 和疾病 B 的 embedding，做到跨模態(tài)檢索。

通過 BioBridge，不同類型的生物醫(yī)學(xué)數(shù)據(jù)能夠?qū)崿F(xiàn)無縫交互和轉(zhuǎn)換，而且這一切都不需要對原有的單模態(tài)模型做任何調(diào)整。

05 一些結(jié)果

這里放一小部分結(jié)果，更多的結(jié)果在原文可見。

這里我們是用 BioBridge 來根據(jù)輸入的文本，檢索相關(guān)的蛋白質(zhì)，再用蛋白質(zhì)+文本去 prompt Galactica 生成分子模型。這里的思路是利用 BioBridge 來構(gòu)建一個(gè)多模態(tài)的 RAG 系統(tǒng)。本文發(fā)現(xiàn)加上 RAG 的 galactica 能夠更好地生成符合輸入文本描述的分子。

本文轉(zhuǎn)自 PaperWeekly ，作者：Zifeng Wang

原文鏈接:??https://mp.weixin.qq.com/s/K12ldlumDyTpdZg5Oh2GaQ??