CausalBind：面向蛋白质–分子虚拟筛选的因果建模与学习

基于摘要分析。CausalBind 研究蛋白质–分子虚拟筛选中的共享表征学习，试图以稀疏跨模态交互替代稠密整体对齐，区分稳定的结合决定因素与干扰相关性。其贡献包括选择机制下的可辨识性理论，以及由这些理论启发的三种实现变体。 核心机制：作者认为，结合主要由小范围接触界面及少数关键局部交互决定，例如氢键、疏水接触和盐桥，而非蛋白质与分子的整体结构。针对训练数据仅包含观测到的结合配对这一条件，研究在 Heckman 式选择机制下建立 V-structure 因果模型。作者报告三项理论结果：缺乏适当稀疏约束时，交互双方的潜在概念不可辨识；在结构稀疏条件下，潜在概念及其稀疏交互具有分量级可辨识性；对这些条件进行低秩松弛，可获得概念与交互的子空间可辨识性。具体假设、证明适用范围及理论与实现的对应关系尚需核对。 实验：作者报告，在 DUD-E 和 LIT-PCBA 上，三种变体均优于强检索基线，最大提升体现在 LIT-PCBA 的早期富集，并可泛化至目标级和分子骨架级分布外划分。摘要未提供具体指标、分数、划分构造或基线名称，不能据此量化提升或比较不同协议。网络结构、损失、训练与推理流程、消融及统计信息尚未验证；摘要提供了代码地址，但实现及复现条件尚未核验。 平台推测（待验证）：可迁移的假设是，显式建模选择机制与稀疏交互，可能帮助 EEG 多视图学习减少对非稳定相关性的依赖。但蛋白质–分子的配对选择机制不能直接等同于 EEG 采样过程，需重新定义视图、潜在概念和选择变量，并检验稀疏假设。低信噪比、通道变化及小样本可能破坏可辨识条件。一个小规模可证伪实验是在固定 Cross-subject 划分与相同编码器下，对比稠密交互和稀疏交互约束，并测试通道扰动下的性能稳定性；这不是本文已验证的 BCI 结果，已有 EEG 相关工作尚未检索确认。