論文の概要: MolP2SBench: Do LLMs Really Reason from Molecular Properties to Structure?

• arxiv url: http://arxiv.org/abs/2610.12522v1
• Date: Thu, 08 Oct 2026 01:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.214446
• Title: MolP2SBench: Do LLMs Really Reason from Molecular Properties to Structure?
• Title（参考訳）: MolP2SBench: LLMは分子特性から構造へ本当に関係があるのか?
• Abstract要約: 大規模言語モデル (LLM) における分子特性-構造間推論(P2S)のベンチマークである MolP2SBench を導入する。 各タスクは、与えられた特性を持つマスクされた分子足場を示し、モデルに、プラウチブルな候補から欠落した構造を選択するように要求する。 プロパティをシャッフルまたは置き換えて、正しいプロパティ構造ペアリングと、反現実的なプロパティ変更に対する応答性をテストする。
• 参考スコア（独自算出の注目度）: 21.254858758431638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used in molecular discovery and structure elucidation, where decisions depend on physical observations. Existing evaluations primarily focus on end-to-end molecular reconstruction, where correct predictions do not necessarily indicate reliance on the supplied properties. We introduce MolP2SBench, a benchmark for molecular property-to-structure (P2S) reasoning in LLMs. Each task presents a masked molecular scaffold with given properties and asks the model to select the missing structure from plausible candidates. We shuffle or replace properties to test reliance on correct property-structure pairing and responsiveness to counterfactual property changes. A channel-wise leaderboard uses Property-Grounded Recovery (PGR), giving equal weight to source and counterfactual recovery. Evaluating seven models, we find that LLMs can use physical properties for structure prediction, but performance varies substantially across property types. Higher accuracy with a property does not necessarily imply greater responsiveness to it: a model may benefit more from $^1$H NMR than from $^{13}$C NMR, yet be less likely to change its prediction when the $^1$H data is replaced. LLM performance also need not reflect the relative difficulty of these properties for human chemists. Although UV-Vis spectra provide less direct structural information than NMR spectra, Astra achieves higher accuracy with UV-Vis data than with NMR peaks. MolP2SBench supports studying how LLMs extract and use physical-property information, revealing patterns that may differ from conventional chemical intuition and providing a foundation for more reliably property-grounded models for molecular and quantum-chemical inference. Code and dataset: https://github.com/DUAL-Xiao/MolP2SBench.
• Abstract（参考訳）: 大規模言語モデル (LLM) は分子発見や構造解明においてますます使われており、決定は物理観測に依存する。 既存の評価は主にエンド・ツー・エンドの分子再構成に焦点が当てられており、正確な予測は供給された性質に依存しているとは限らない。 LLMにおける分子特性-構造間推論(P2S)のベンチマークである MolP2SBench を紹介する。 各タスクは、与えられた特性を持つマスクされた分子足場を示し、モデルに、プラウチブルな候補から欠落した構造を選択するように要求する。 プロパティをシャッフルまたは置き換えて、正しいプロパティ構造ペアリングと、反現実的なプロパティ変更に対する応答性をテストする。 チャネルワイドのリーダーボードはProperty-Grounded Recovery (PGR)を使用し、ソースとカウンターファクトリカバリに等しい重量を与える。 7つのモデルを評価すると、LLMは物理特性を構造予測に利用することができるが、性能は特性タイプによって大きく異なる。 モデルは$1$H NMRより$1$H NMRの恩恵を受けるが、$1$Hデータが置換された場合、その予測を変更する可能性が低い。 LLMの性能は、人間の化学者にとってこれらの性質の相対的な難しさを反映する必要はない。 UV-VisスペクトルはNMRスペクトルよりも直接構造情報が少ないが、AstraはNMRピークよりもUV-Visデータの精度が高い。 MolP2SBench は LLM が物理的不適切な情報を抽出し、どのように利用するかの研究を支援し、従来の化学直観と異なるパターンを明らかにし、分子および量子化学推論のためのより確実な特性基底モデルの基礎を提供する。 コードとデータセット:https://github.com/DUAL-Xiao/MolP2SBench。

関連論文リスト

• Multi-Granular Rationale-Guided Molecular LLM for Property Prediction [1.6599385294616642]
  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。
  論文  参考訳（メタデータ） (2026-08-11T04:50:33Z)
• 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)
• 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)
• AttriLens-Mol: Attribute Guided Reinforcement Learning for Molecular Property Prediction with Large Language Models [14.249724865243076]
  本稿では,LLMを用いた分子特性予測のための属性誘導強化学習フレームワークであるAttriLens-Molを紹介する。 AttriLens-Molは、(1)属性ベースの構造化された出力を奨励する形式報酬、(2)無関係な属性の列挙を避けるためのカウント報酬、(3)高度なLLMとRDKitを使った報酬を使用するモデルの推論を操縦する。 AttriLens-Mol法を用いて, 4000試料を用いた7BサイズR1-Distilled-Qwen2.5およびR1-Distilled-LLaMA3.1モデルのトレーニングを行った結果, 性能が有意に向上した。
  論文  参考訳（メタデータ） (2025-08-06T08:46:22Z)
• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [20.250683535089617]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 物理的、化学的に詳細なセマンティクスを特異的な分子表現と融合することにより、TransDLMは様々な情報ソースを効果的に統合し、正確な最適化を導く。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• Unveiling Molecular Secrets: An LLM-Augmented Linear Model for Explainable and Calibratable Molecular Property Prediction [26.25787628872043]
  この研究は、分子特性の正確な予測のための単純な、しかし強力な線形モデルを構築するための、MoleXと呼ばれる新しいフレームワークを提案する。 MoleXの核心は、単純な線形モデルを用いて複雑な分子構造-プロパティ関係をモデル化することであり、LCMの知識と巧妙な校正戦略によって強化される。 大規模な実験により、MoleXは分子特性予測において既存の手法よりも優れており、予測性能、説明可能性、効率性の新たなマイルストーンを確立している。
  論文  参考訳（メタデータ） (2024-10-11T14:07:57Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• 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。