論文の概要: MolSC: Leveraging Substituent Contributions to Enhance Fine-grained Molecular Understanding in LLMs

• arxiv url: http://arxiv.org/abs/2609.23073v1
• Date: Sat, 19 Sep 2026 15:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.670737
• Title: MolSC: Leveraging Substituent Contributions to Enhance Fine-grained Molecular Understanding in LLMs
• Title（参考訳）: MolSC: LLMの微細な分子理解を促進するための置換基の寄与
• Abstract要約: MolSCは、置換貢献のデータセットである。 MolSCは、構造的アラート責任、標的特異的な生物活性、および物理化学的記述子にまたがる。 提案するMollSC-Benchは, 足場, 置換物, 分子レベルでのMollSCと解離する1,541例のベンチマークである。
• 参考スコア（独自算出の注目度）: 8.354827357706617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in natural language processing have led to molecular Large Language Models (LLMs) with strong performance across diverse chemistry tasks. However, they still struggle to capture fine-grained structure-property relationships, particularly how small, localized modifications alter a molecule's behavior. To address this limitation, we introduce MolSC, a dataset of substituent contributions, defined as property changes induced by attaching specific substituents to molecular scaffolds. Curated from manually annotated bioactivity records, MolSC spans structural-alert liability, target-specific bioactivity, and physicochemical descriptors, and contains 181K substituent-level examples for training. We further propose MolSC-Bench, a held-out evaluation benchmark of 1,541 examples disjoint from MolSC at the scaffold, substituent, and molecule levels. Our experiments show that existing molecular LLMs and strong proprietary models such as GPT-5.2 and Gemini-3-Flash show limited reliability in substituent contribution prediction. In contrast, training on MolSC substantially improves this ability and achieves strong performance across diverse downstream molecular tasks. These results highlight substituent contribution learning as a key component of fine-grained molecular understanding.
• Abstract（参考訳）: 近年の自然言語処理の進歩により、分子大言語モデル (LLM) は様々な化学タスクにおいて高い性能を持つようになった。 しかし、それでも微細な構造と不純物の関係、特に小さな局所的な修飾が分子の振舞いを変化させることに苦慮している。 この制限に対処するために,分子足場に特定の置換基を付加することによって生じる特性変化として定義される置換基のデータセットであるMollSCを導入する。 手動でアノテートされた生物活性記録から算出されたMollSCは、構造的アラート責任、標的特異的な生物活性、物理化学的記述子にまたがり、181Kの置換基レベルのトレーニング例を含む。 さらに, 足場, 置換物, 分子レベルでのMollSCから分離した1,541例のホールドアウト評価ベンチマークであるMollSC-Benchを提案する。 GPT-5.2 や Gemini-3-Flash のような既存の分子 LLM や強力なプロプライエタリモデルでは,置換寄与予測の信頼性が低い。 対照的に、MollSCでのトレーニングは、この能力を大幅に改善し、様々な下流分子タスクで高い性能を達成する。 これらの結果は、微粒な分子理解の重要な要素として、置換寄与学習が注目されている。

関連論文リスト

• Mol-JEPA: A multimodal Joint Embedding Predictive Architecture for Molecules [35.183340114166654]
  Mol-JEPAは、分子世界のモデルを学ぶためのスケーラブルなフレームワークである。 我々のモデルは、分子構造、細胞性表現型、結合親和性、ADMETプロファイル、量子化学シミュレーションやその他の薬物発見データからの情報を活用するために、モダリティマスキングを使用する。
  論文  参考訳（メタデータ） (2026-08-23T22:55:38Z)
• 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)
• DrugLLM: Open Large Language Model for Few-shot Molecule Generation [20.680942401843772]
  DrugLLMは、過去の修飾に基づいて次の分子を予測することで、薬物発見における分子の修飾方法を学ぶ。 計算実験では、限られた例に基づいて期待された特性を持つ新しい分子を生成することができる。
  論文  参考訳（メタデータ） (2024-05-07T09:18:13Z)
• 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)

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。