論文の概要: Multi-Granular Rationale-Guided Molecular LLM for Property Prediction
- arxiv url: http://arxiv.org/abs/2608.10480v1
- Date: Tue, 11 Aug 2026 04:50:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.910006
- Title: Multi-Granular Rationale-Guided Molecular LLM for Property Prediction
- Title（参考訳）: マルチグラニュラーライナリー誘導分子LLMによる特性予測
- Abstract要約: 大規模言語モデル(LLM)は、分子特性予測のような化学的なタスクに広く適用されている。
MR-MoLは, 直接的に証拠を提供する多粒性有理誘導分子LLMである。
8つのMoeculeNetタスクにおいて、MR-MoLはジェネラリストモデルの中で最高の総合的な結果を得る。
- 参考スコア（独自算出の注目度）: 1.6599385294616642
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are widely applied across chemical tasks, such as molecular property prediction, which underpins drug discovery. Molecular LLMs represent a molecule through several modalities, notably a 1D SMILES sequence or a 2D molecular graph. Both encode molecular information implicitly, so the contribution of individual substructures remains opaque. Retrieval and augmentation methods add context, but from external sources. However, the cues chemists reason over are the internal substructures that drive a property up or down. We propose MR-MoL, a multi-granular rationale-guided molecular LLM that supplies this evidence directly. A fine-tuned GNN scores each substructure through masking, and the most influential ones are serialized as a ranked, direction-tagged rationale that the LLM reads alongside the SMILES sequence and molecular graph. The rationale spans three levels of granularity: Murcko scaffolds with their side chains, BRICS fragments, and functional groups. This is, to our knowledge, the first method to expose GNN-derived attributions to an LLM as evidence for property prediction. On eight MoleculeNet tasks, MR-MoL achieves the best overall results among generalist models and narrows the gap to specialist models tuned for each task. Five diagnostics further confirm that the model reads the rationale rather than merely benefiting from its presence. Its direction, rank, and substructure each shape the prediction, and its attributions reproduce known structure-property relationships.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、薬物発見の基盤となる分子特性予測などの化学的なタスクに広く適用されている。
分子LLMは、特に1DのSMILES配列や2Dの分子グラフなど、いくつかのモダリティを通して分子を表現している。
どちらも暗黙的に分子情報を符号化するので、個々のサブストラクチャの寄与はいまだ不透明である。
Retrievalとaugmentationメソッドはコンテキストを追加するが、外部ソースから追加する。
しかし、キュケミストの理屈は、資産を上下に駆動する内部構造である。
この証拠を直接供給する多粒性有理誘導分子LLMであるMR-MoLを提案する。
微調整されたGNNはマスキングによって各サブ構造をスコアし、最も影響力のあるものはSMILES配列と分子グラフと共にLLMが読み取る、ランク付けされた方向タグ付き論理としてシリアライズされる。
理論的には、Murckoの足場とその側鎖、BRICSの断片、そして機能群である。
これは、我々の知る限り、プロパティ予測の証拠として、GNN由来の属性をLLMに公開する最初の方法である。
8つのMoeculeNetタスクにおいて、MR-MoLはジェネラリストモデルの中で最高の総合的な結果を達成し、各タスクに調整されたスペシャリストモデルとのギャップを狭める。
5つの診断は、モデルが単に存在から利益を得るのではなく、合理的に読むことをさらに確認する。
その方向、ランク、サブ構造は、それぞれ予測を形作り、その属性は既知の構造上の関係を再現する。
関連論文リスト
- MolE-RAG: Molecular Structure-Enhanced Retrieval-Augmented Generation for Chemistry [21.05559192998554]
MolE-RAGは、分子特性予測のためのトレーニングなし、分子中心の検索強化生成フレームワークである。
我々は, 9つの分子特性予測タスクに対して, プロプライエタリ, 化学特化, オープンソースLCMを用いてMole-RAGを評価した。
論文 参考訳（メタデータ） (2026-06-04T04:19:53Z) - MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents [57.28652712579434]
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。
論文 参考訳（メタデータ） (2026-05-27T02:11:23Z) - 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) - $\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。
実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-08-12T05:46:47Z) - Improving Chemical Understanding of LLMs via SMILES Parsing [18.532188836688928]
CLEANMOLは、SMILES解析をクリーンで決定論的タスクのスイートに定式化する新しいフレームワークである。
適応的難易度スコアリングを伴う分子事前学習データセットを構築し,これらの課題に対してオープンソースのLCMを事前学習する。
以上の結果から,CLEANMOLは構造的理解を高めるだけでなく,Moll-Instructionsベンチマークのベースラインと競合する。
論文 参考訳（メタデータ） (2025-05-22T07:54:39Z) - Mol-LLM: Multimodal Generalist Molecular LLM with Improved Graph Utilization [8.846705148987652]
分子タスクの幅広い範囲を扱う最初のマルチモーダル・ジェネラリストモデルである Mol-LLM を紹介する。
Mol-LLMは最も包括的な分子LLMベンチマークで最先端または同等の結果が得られる。
論文 参考訳（メタデータ） (2025-02-05T01:14:12Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - 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) - Can Large Language Models Empower Molecular Property Prediction? [16.5246941211725]
分子特性の予測は、科学分野における形質転換の可能性によって大きな注目を集めている。
近年,Large Language Models (LLMs) が急速に発展し,NLPの分野に革命をもたらした。
本研究では、ゼロ/フェーショットの分子分類と、LLMによって生成された新しい説明を分子の表現として用いるという2つの視点を通して、この目的に向けて前進する。
論文 参考訳（メタデータ） (2023-07-14T16:06:42Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z)
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。