研究人员开发了MR-MoL，这是一种新颖的分子大语言模型（LLM），用于药物发现中的属性预测。与现有隐式表示分子的模型不同，MR-MoL显式地将子结构归因作为推理。这种推理源自微调的图神经网络，通过突出显示不同粒度（如Murcko骨架、BRICS片段和官能团）的影响分子成分来指导LLM。该模型在八项MoleculeNet任务上表现出色，优于通用模型，并缩小了与专用模型的差距，同时诊断证实了其有效利用了提供的推理。 AI
影响 这种方法可以增强分子属性预测的可解释性和准确性，通过提供更清晰的结构-属性关系见解来加速药物发现。
排序理由 该集群描述了arXiv论文中提出的一种新颖方法，并被每日论文摘要报道，重点关注新的模型架构及其在基准测试上的性能。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.10480v1 Announce Type: new 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 sequen…
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 molecula…