論文の概要: MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents

• arxiv url: http://arxiv.org/abs/2605.27853v1
• Date: Wed, 27 May 2026 02:11:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.687961
• Title: MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents
• Title（参考訳）: MolLingo:LCMを応用した分子負表現法
• Authors: Thao Nguyen, Heng Ji,
• Abstract要約: 分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。 MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。 初期治療設計におけるケーススタディとして、MolLingoは、結合部位の幾何学と残基レベルのタンパク質コンテキストにおけるChemist Agentの推論を根拠にしている。
• 参考スコア（独自算出の注目度）: 57.28652712579434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MolLingo, a multi-agent system that emulates the reasoning process of a chemist to automate molecular design. Existing LLM-based approaches either operate as standalone generative models without access to external tools or lack the multi-agent coordination and shared memory needed for iterative, evidence-driven reasoning across the molecular design pipeline. MolLingo addresses this by coordinating a Literature Agent, a Chemist Agent, and an Orchestrator through a shared memory module, with each agent equipped with domain-specific tools. To enable effective molecular reasoning, we introduce BRICS-based Fragment Enumeration (BFE), a synthesis-aware molecular fragmentation method that decomposes molecules into chemically meaningful building blocks represented as block-based SMILES paired with common chemical names. This representation bridges molecular structure and LLM semantic space, enabling block-level reasoning and editing that is difficult with raw SMILES alone. As a case study in early-stage therapeutic design, MolLingo further grounds the Chemist Agent's reasoning in binding site geometry and residue-level protein context derived from molecular docking to optimize molecules for stronger target binding. Across four benchmarks, MolLingo consistently outperforms frontier LLMs and specialized baselines, including a fourfold docking score improvement over GPT-5.4 despite using the same underlying model, consistent drug property optimization gains across multiple LLM backbones, and state-of-the-art results on TOMG-Bench, surpassing both frontier LLMs and the RL-based optimization method RePO. Our results suggest that LLMs are already capable molecular design assistants when guided through chemically meaningful representations and biologically grounded structural context. Code is available at: https://anonymous.4open.science/status/MolLingo-7450.
• Abstract（参考訳）: 分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。 既存のLCMベースのアプローチは、外部ツールにアクセスせずに独立した生成モデルとして動作するか、あるいは分子設計パイプラインを横断する反復的エビデンス駆動推論に必要なマルチエージェント調整と共有メモリが欠如している。 MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。 分子の効率的な分子推論を可能にするために,BRICSをベースとした分子断片化法であるフラグメント列挙法(BFE)を導入する。 この表現は分子構造とLLM意味空間を橋渡しし、生のSMILESだけでは難しいブロックレベルの推論と編集を可能にする。 初期の治療設計におけるケーススタディとして、MolLingoは、分子ドッキングから誘導される結合部位の幾何学と残基レベルのタンパク質コンテキストにおいて、Chemist Agentの推論を根拠に、より強力な標的結合のために分子を最適化する。 4つのベンチマークで、MollingoはGPT-5.4よりも4倍のドッキングスコアの改善、複数のLLMバックボーンにおける一貫した薬物特性の最適化、TOMG-Benchにおける最先端の結果など、フロンティアのLLMと特殊なベースラインを一貫して上回り、フロンティアのLLMとRLベースの最適化メソッドRePOを上回りました。 以上の結果から, LLMは, 化学的に意味のある表現と生物学的に基盤となる構造的文脈を導く際に, 分子設計アシスタントとしてすでに機能していることが示唆された。 コードは、https://anonymous.4open.science/status/MolLingo-7450で入手できる。

関連論文リスト

• Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
  ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。 この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-01-25T04:23:34Z)
• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• MT-Mol:Multi Agent System with Tool-based Reasoning for Molecular Optimization [13.94416046565452]
  大規模言語モデル(LLM)を用いた分子最適化のためのマルチエージェントフレームワークMT-Molを紹介する。 本システムには, 構造記述子, 電子的およびトポロジ的特徴, フラグメントベース機能群, 分子的表現, 諸化学的性質の5つの異なる領域に分類された総合RDKitツールが組み込まれている。 MT-Molは、分析エージェント、分子生成科学者、推論出力検証器、レビュアーエージェントとの相互作用を通じて、ツール整列および段階的に推論された分子を生成する。
  論文  参考訳（メタデータ） (2025-05-27T07:27:30Z)
• mCLM: A Modular Chemical Language Model that Generates Functional and Makeable Molecules [61.161776104062774]
  本稿では,関数と分子ブロックの両方を自然言語で記述するモジュール型ケミカル・ランゲージモデルを提案する。 mCLMフロントロードは、分子の予測関数を原則的に改善しながら、合成可能性を考慮している。
  論文  参考訳（メタデータ） (2025-05-18T22:52:39Z)
• MolX: Enhancing Large Language Models for Molecular Understanding With A Multi-Modal Extension [44.97089022713424]
  タスクハンドリング能力の強い大規模言語モデル(LLM)は、様々な分野において顕著な進歩を見せている。 本研究は, 分子の理解能力を高めるために, MolX と呼ばれるマルチモーダル外部モジュールを組み込むことにより, LLM の分子理解能力を高めることを目的とする。 手作りの分子指紋は、その埋め込みドメイン知識を活用するために組み込まれている。
  論文  参考訳（メタデータ） (2024-06-10T20:25:18Z)
• Empowering Molecule Discovery for Molecule-Caption Translation with Large Language Models: A ChatGPT Perspective [53.300288393173204]
  大規模言語モデル(LLM)は、様々なクロスモーダルタスクにおいて顕著なパフォーマンスを示している。 本研究では,分子カプセル翻訳のためのインコンテキストFew-Shot Molecule Learningパラダイムを提案する。 分子理解とテキストベースの分子生成を含む分子キャプション翻訳におけるMollReGPTの有効性を評価する。
  論文  参考訳（メタデータ） (2023-06-11T08:16:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。