Fugu-MT 論文翻訳(概要): MolEmb: Multimodal Large Language Models Can Be Strong Molecular Embedding Models

論文の概要: MolEmb: Multimodal Large Language Models Can Be Strong Molecular Embedding Models

arxiv url: http://arxiv.org/abs/2608.23646v1
Date: Mon, 24 Aug 2026 09:21:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.464957
Title: MolEmb: Multimodal Large Language Models Can Be Strong Molecular Embedding Models
Title（参考訳）: MolEmb: マルチモーダルな大規模言語モデルは強力な分子埋め込みモデルになる
Abstract要約: 分子埋め込みモデルは、計算化学と薬物発見の基盤となる。マルチモーダル大規模言語モデル(MLLM)が分子組込みモデルとして機能するかどうかを問う。 textbfMolEmbは、分子プロファイルとテキスト記述を共有埋め込み空間で整列させることによりMLLMに適応する軽量なフレームワークである。
参考スコア（独自算出の注目度）: 21.71979155816693
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Molecular embedding models can serve as foundational infrastructure for computational chemistry and drug discovery, where reusable vector representations support property prediction, virtual screening, and retrieval. Most molecular encoders are specialist models built around a single molecular view, producing unconditional vectors with no language interface for varying the representation. We ask whether multimodal large language models (MLLMs), which natively process images, text, and symbolic inputs, can instead serve as \emph{general molecular embedding models} that produce embeddings conditioned on both a molecular profile and a natural-language semantic context. We introduce \textbf{MolEmb}, a lightweight framework that adapts MLLMs by aligning molecular profiles with textual descriptions in a shared embedding space using a bidirectional contrastive objective. The resulting embedding model is competitive on molecular property prediction and supports cross-modal molecule--text retrieval in the same space. We further introduce \textbf{MolCAR}, a diagnostic benchmark for context-aware retrieval, and find that context-aware molecular embedding is primarily a data property of the supervision. These results suggest that MLLMs are not merely chemistry assistants or generators, but a viable and extensible route to general molecular embedding models.
Abstract（参考訳）: 分子埋め込みモデルは、再利用可能なベクトル表現がプロパティ予測、仮想スクリーニング、検索をサポートする計算化学と薬物発見の基盤となる。ほとんどの分子エンコーダは単一の分子ビューを中心に構築されたスペシャリストモデルであり、表現を変えるための言語インタフェースを持たない無条件ベクトルを生成する。画像,テキスト,シンボリック入力をネイティブに処理するマルチモーダル大規模言語モデル(MLLM)が,分子プロファイルと自然言語のセマンティックコンテキストの両方に条件付き埋め込みを生成する「emph{General Molecular Embedding Model」として機能するかどうかを問う。分子プロファイルとテキスト記述を協調させてMLLMに適応する軽量なフレームワークである‘textbf{MolEmb}を,双方向のコントラスト的目的を用いて共有埋め込み空間で導入する。結果として得られる埋め込みモデルは分子特性予測と競合し、同じ空間におけるテキスト検索をサポートする。さらに、コンテキスト認識検索のための診断ベンチマークであるtextbf{MolCAR}を導入し、コンテキスト認識分子埋め込みが主に監督者のデータ特性であることを確認する。これらの結果は、MLLMは単なる化学アシスタントやジェネレータではなく、一般的な分子埋め込みモデルへの実行可能で拡張可能な経路であることを示唆している。

関連論文リスト

MolSight: A Graph-Aware Vision-Language Model for Unified Chemical Image Understanding [25.768840369692608]
MolSightは、分子画像の理解を強化するために設計された、グラフ対応の視覚言語モデルフレームワークである。実験の結果,MollSightは既存のVLM,分子LLM,および複数の化学視覚理解タスクにおける特殊ツールよりも優れていた。
論文参考訳（メタデータ） (2026-07-02T10:13:19Z)
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)
MolDA: Molecular Understanding and Generation via Large Language Diffusion Model [7.901276712572294]
MolDAは、従来のARバックボーンを離散的なLarge Language Diffusion Modelに置き換える、新しいフレームワークである。グローバルな構造的コヒーレンス、化学的妥当性、ロバストな推論を分子生成、キャプション、特性予測で保証する。
論文参考訳（メタデータ） (2026-04-06T04:04:14Z)
KnowMol: Advancing Molecular Large Language Models with Multi-Level Chemical Knowledge [73.51130155601824]
KnowMol-100Kは100Kの微細な分子アノテーションを持つ大規模データセットである。また,既存の分子表現戦略の限界に効果的に対処する,化学的に不変な分子表現も提案する。 KnowMolは、分子理解および生成タスク間で優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-10-22T11:23:58Z)
$\text{M}^{2}$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)
Chemical Language Model Linker: blending text and molecules with modular adapters [2.2667044928324747]
我々は、ChemLML(ChemLML)という、軽量なアダプタベースの戦略を提案する。 ChemLMLは2つの単一ドメインモデルをブレンドし、テキスト記述から条件付き分子生成を得る。 SMILESとSELFIESのChemLMLにおける分子表現の選択は,条件付き分子生成性能に強い影響を及ぼすことがわかった。
論文参考訳（メタデータ） (2024-10-26T13:40:13Z)
UniMoT: Unified Molecule-Text Language Model with Discrete Token Representation [35.277927005912275]
トークン化アーキテクチャを採用した統一分子テキストLLMであるUniMoTを紹介する。ベクトル量子化駆動型トークン化器は、分子を因果依存性を持つ分子トークンの配列に変換する。 UniMoTは、分子間テキストとテキスト間タスクの両方を実行するマルチモーダル・ジェネラリストとして登場した。
論文参考訳（メタデータ） (2024-08-01T18:31:31Z)
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)
LDMol: A Text-to-Molecule Diffusion Model with Structurally Informative Latent Space Surpasses AR Models [55.5427001668863]
テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。実験の結果, LDMolはテキストから分子生成ベンチマークにおいて, 既存の自己回帰ベースラインよりも優れていた。我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
論文参考訳（メタデータ） (2024-05-28T04:59:13Z)
Instruction Multi-Constraint Molecular Generation Using a Teacher-Student Large Language Model [49.64512917330373]
本稿では,学生に類似した多制約分子生成大言語モデルTSMMGを紹介する。 TSMMGを訓練するために、これらの「教師」から分子知識を抽出し、大量のテキスト-分子対を構築する。我々は,TSMMGが複雑で自然言語で記述された特性を満たす分子を生成できることを実験的に明らかにした。
論文参考訳（メタデータ） (2024-03-20T02:15:55Z)
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)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)

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。