Nat. Mach. Intell.｜大语言模型助力分子属性预测，驱动科学发现新范式

在药物研发和材料科学领域，分子属性预测（如溶解度、血脑屏障通透性）是决定实验成败的关键。然而，传统方法依赖人工经验或复杂神经网络，存在可解释性差、知识整合困难等问题。

近日，《Nature Machine Intelligence》刊登了一项突破性研究，提出全新框架LLM4SD，首次将大型语言模型（LLM）深度融入分子预测，在58项基准任务中全面超越现有技术，为AI驱动的科学发现开辟新路径。

知识+数据双轮驱动的科学引擎

LLM4SD的核心创新在于将LLM的“文献知识提炼”与“数据模式挖掘”能力相结合：

1. 知识合成：通过提示词让LLM扮演化学家角色，从海量文献中提取规则（如“分子量<500 Da更易穿透血脑屏障”）。
2. 知识推断：分析SMILES分子结构与标签的关系，发现潜在规律（如“含卤素分子更易通过血脑屏障”）。
3. 特征向量化：将规则转化为可计算的RDKit代码，生成可解释特征，输入随机森林等模型训练。

技术亮点：

• 可解释性：模型决策依赖人类可理解的化学规则（如氢键数量、极性表面积）。
• 零人工干预：规则生成、代码转换全程自动化，仅需最终人工审核。

58项任务全面领先

研究团队在MoleculeNet的58项任务中验证LLM4SD，涵盖生理学、生物物理、量子力学等四大领域：

• 分类任务：血脑屏障预测（BBBP）AUC-ROC提升2.07%，HIV抑制预测超越现有最佳模型。
• 回归任务：量子力学属性预测平均MAE降低48.2%，物化性质预测RMSE优化12.9%。
• 模型对比：全面击败GROVER、GraphCL等9种主流图神经网络（GNN）及传统随机森林基线。

关键发现：

• 规模并非绝对：科学领域专用小模型（如Galactica-6.7B）性能媲美通用大模型GPT-4。
• 规则验证：85%文献规则被证实有效，17%数据推断规则为潜在新发现（如羰基官能团影响血脑屏障通透性）。

突破边界：从分子到蛋白质

尽管当前研究聚焦分子属性，LLM4SD的潜力远不止于此：

• 扩展挑战：蛋白质序列（300-500氨基酸）、基因序列（数万碱基）的长上下文处理仍需突破。
• 未来方向：
  • 预训练优化：引入UniProt、GenBank等生物数据库增强领域知识。
  • 检索增强：结合专业知识库提升推理准确性。
  • 高效分词：开发针对生物序列的特化编码方法。

启示与展望

LLM4SD的成功验证了LLM在科学发现中的独特价值：

• 加速假设生成：自动提炼文献规律，缩短研究周期。
• 降低认知门槛：即使非领域专家，也可通过自然语言与AI协作。
• 推动跨学科融合：为化学生物学、计算医学提供新工具。

局限与思考：

• 当前框架依赖SMILES等结构化数据，复杂生物大分子应用仍需探索。
• 规则自动化生成的可靠性需长期验证，避免“幻觉”干扰。

结语： LLM4SD的诞生标志着AI正从“数据拟合”迈向“知识驱动”的科学发现新时代。对于计算生物学者，掌握LLM与领域知识的深度融合，或将成为未来核心竞争力。

参考

Zheng Y, Koh HY, Ju J, et al. Large language models for scientific discovery in molecular property prediction. Nat Mach Intell (2025).

本文为实验盒作者对论文的学术分析、阐释及个人观点的呈现。原论文的版权归属于原作者，并遵循其版权协议。本文的解读内容由实验盒作者独立撰写，未经许可，请勿转载，侵权必究。如需转载，请提前通过私信联系。