論文の概要: R-GroundBench: A Diagnostic Benchmark for R-Group Groundingin Markush Molecular Editing

• arxiv url: http://arxiv.org/abs/2610.00700v1
• Date: Wed, 30 Sep 2026 20:45:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.762911
• Title: R-GroundBench: A Diagnostic Benchmark for R-Group Groundingin Markush Molecular Editing
• Title（参考訳）: R-GroundBench:R-group Groundingin Markush Molecular Editingの診断ベンチマーク
• Abstract要約: R- languagesBench: 実際の特許であるMarkushstructuresから構築された診断ベンチマークである。 モデルは、簡単なVQAで90%以上の精度を実現し、ショートカットを制御すると、ハードVQAでは56～66%に低下する。 化学ドメインのVLMも信頼性が低く、ドメイン固有の事前訓練にもかかわらず、HardVQAでは25.7-46.2%しか達成できない。
• 参考スコア（独自算出の注目度）: 29.633894652623507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in AI for scientific discovery enable molecular understandingand design, yet reasoning over incomplete chemical representations remainsunclear.Markush structures, which encode molecular families through variable R-groupplaceholders (\textit{R\textsubscript{1}}, \textit{R\textsubscript{2}}, \textit{X}, etc.), are ubiquitous in pharmaceutical patents and requiregrounding across molecular, textual, and chemical information.However, existing molecule-language benchmarks focus on fully specifiedmolecules, leaving R-group grounding largely unevaluated.We introduce R-GroundBench:, a diagnostic benchmark built from real patent Markushstructures, featuring a Multiple-Choice (VQA) track with controlled difficultyand modality splits, and an open-ended Generation track.Our results reveal a substantial gap between recognition andmolecular grounding.While models achieve over 90\% accuracy on Easy VQA, performance drops to56--66\% on Hard VQA when shortcuts are controlled.Chemical-domain VLMs also remain unreliable, achieving only 25.7--46.2\% on HardVQA despite domain-specific pretraining.Moreover, Generation Exact Match remains below 20\% for most models and below8\% when visual input is required.These findings reveal that current AI systems lack reliable grounding andexecution for Markush editing, highlighting challenges for AI-drivenscientific discovery.
• Abstract（参考訳）: 科学的発見のためのAIの最近の進歩は、分子の理解と設計を可能にするが、不完全な化学表現を推論する。Markush構造は、可変Rグループプレースホルダー(\textit{R\textsubscript{1}}, \textit{R\textsubscript{2}}, \textit{X})を介して分子ファミリーを符号化する。 R-GroundBench:、実際の特許であるMarkushstructuresをベースとした診断ベンチマークで、難易度とモジュラリティの分割を制御したMultiple-Choice(VQA)トラックとオープンな生成トラックを特徴とする。我々の結果は、認識と分子の接地の間に大きなギャップがある。我々のモデルは、Easy VQAで90%以上精度を達成できるが、ショートカットが制御された場合、パフォーマンスは56～66パーセントに低下する。Chemical VLMは、257～46パーセントにしか到達できない。

関連論文リスト

• Contrastive Domain Generalization for Cross-Instrument Molecular Identification in Mass Spectrometry [3.6398652091809987]
  本稿では,物質スペクトルを化学的に有意な分子構造埋め込み空間にマッピングするクロスモーダルアライメントフレームワークを提案する。 本モデルでは,固定256方向ゼロショット検索においてトップ1の精度42.2%を達成し,グローバル検索条件下での強い一般化を示す。 これらの結果は,MSデータから分子同定における一般化ボトルネックを解決するために,物理スペクトル分解能と分子構造埋め込みを明示的に統合することが重要であることを示唆している。
  論文  参考訳（メタデータ） (2026-01-31T06:18:47Z)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• MolLangBench: A Comprehensive Benchmark for Language-Prompted Molecular Structure Recognition, Editing, and Generation [14.1130924371878]
  MolLangBenchは分子言語インタフェースの基本的なタスクを評価するために設計されたベンチマークである。 自動ケミノフォマティクスツールを用いて認識タスクを構築する。 厳密な専門家アノテーションと検証を通じて編集・生成タスクをキュレートする。
  論文  参考訳（メタデータ） (2025-05-21T03:22:01Z)
• Graph-based Molecular In-context Learning Grounded on Morgan Fingerprints [28.262593876388397]
  In-context Learning (ICL) では、プロパティ予測や分子キャプションなどの分子タスクのための大規模言語モデル(LLM)を、慎重に選択された実演例を入力プロンプトに埋め込む。 しかし、現在の分子タスクのプロンプト検索法は、モーガン指紋のような分子の特徴的類似性に依存しており、これはグローバル分子と原子結合の関係を適切に捉えていない。 本稿では,グローバル分子構造をグラフニューラルネットワーク(GNN)とテキストキャプション(記述)に整合させ,モーガン指紋による局所的特徴類似性を活用する自己教師付き学習手法GAMICを提案する。
  論文  参考訳（メタデータ） (2025-02-08T02:46:33Z)
• Intelligent System for Automated Molecular Patent Infringement Assessment [38.48937966447085]
  PatentFinderは、特許侵害のための小さな分子を正確かつ包括的に評価できる、新しいマルチエージェントおよびツール強化インテリジェンスシステムである。 PatentFinderは、特許請求と分子構造を協調的に分析する5つの特殊エージェントを備えている。 PatentFinderは、詳細かつ解釈可能な特許侵害報告を自律的に生成し、精度の向上と解釈可能性の向上を示す。
  論文  参考訳（メタデータ） (2024-12-10T12:14:38Z)
• 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)
• ScholarChemQA: Unveiling the Power of Language Models in Chemical Research Question Answering [54.80411755871931]
  質問回答(QA)は、言語モデルの推論と知識の深さを効果的に評価する。 化学QAは、複雑な化学情報を理解しやすい形式に効果的に翻訳することで、教育と研究の両方において重要な役割を担っている。 このデータセットは、不均衡なデータ分散や、潜在的に有用である可能性のあるかなりの量の未ラベルデータを含む、典型的な現実世界の課題を反映している。 収集したデータを完全に活用して,化学的な問題に効果的に答えるQAMatchモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-24T01:46:55Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• 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。