Can large language models understand molecules?
大型語言模型能理解分子嗎？ BMC Bioinformatics 2024-06-26

LLMs如GPT和LLaMA在化學領域有潛力，尤其在用SMILES表示化學結構。研究比較後發現，LLaMA在分子性質和藥物相互作用預測上比GPT表現更好。LLaMA的SMILES嵌入在分子預測與預訓練模型相當，藥物相互作用預測更佳。這研究強調LLMs在分子嵌入有潛力，值得進一步探索。詳情請看GitHub：https://github.com/sshaghayeghs/LLaMA-VS-GPT。 PubMed DOI

Large Language Models as Molecular Design Engines.
大型語言模型作為分子設計引擎。 J Chem Inf Model 2024-09-04

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

Discovering Photoswitchable Molecules for Drug Delivery with Large Language Models and Chemist Instruction Training.
利用大型語言模型和化學家指導訓練發現可光開關的藥物傳遞分子。 Pharmaceuticals (Basel) 2024-10-26

大型語言模型（LLMs）在藥物傳遞材料設計中展現潛力。我們使用Hugging Face的Transformers套件，透過BigBird、Gemma和GPT NeoX等架構進行預訓練和微調，並結合化學家的指導進行優化。研究結果顯示，整合化學見解對於提升模型性能至關重要。我們設計了光響應藥物傳遞分子，並探討了人類反饋在強化學習中的角色。最終，我們建立了一個高效的設計流程，但缺乏專門數據集仍是挑戰。 PubMed DOI

Large property models: a new generative machine-learning formulation for molecules.
大型性質模型：一種針對分子的全新生成機器學習公式。 Faraday Discuss 2024-12-11

這篇文章探討了生成模型在分子逆向設計中的挑戰與潛力，特別是在數據稀缺的情況下如何預測特定性質的分子。傳統模型因數據有限，難以準確映射稀有但重要的分子性質。作者提出透過提供多個性質來創造獨特的映射，進而改善預測。為此，他們開發了「大型性質模型」（LPMs），這些模型基於性質到分子圖的任務訓練，並結合豐富的化學性質數據來增強訓練。文章還介紹了模型架構及案例研究，展示其有效性。 PubMed DOI

Assessment of fine-tuned large language models for real-world chemistry and material science applications.
針對現實世界化學和材料科學應用的微調大型語言模型評估。 Chem Sci 2024-12-12

這項研究探討了微調大型語言模型（LLMs）在預測化學性質上的潛力，並指出其相較於傳統機器學習方法的優勢。研究中微調了GPT-J-6B、Llama-3.1-8B和Mistral-7B等模型，結果顯示在簡單的分類任務中，LLMs的表現通常優於傳統模型。將化學數據集轉換為LLM訓練格式相對簡單，即使是小型數據集也能有效預測。這些發現顯示，LLMs有潛力提升化學研究的實驗和計算效率，幫助研究者減少不必要的工作。 PubMed DOI

Human interpretable structure-property relationships in chemistry using explainable machine learning and large language models.
使用可解釋的機器學習和大型語言模型在人類可解釋的化學結構-性質關係。 Commun Chem 2025-01-14

可解釋的人工智慧（XAI）是一個快速發展的領域，旨在讓機器學習模型更透明易懂。在化學領域，XAI 對於揭示分子結構與性質的關係特別重要，但現有方法多數針對專業人士，限制了普及性。為了解決這個問題，我們提出了 XpertAI 框架，結合 XAI 技術與大型語言模型（LLMs），能夠自動生成化學數據的自然語言解釋，讓更多人能理解。我們進行了五個案例研究，結果顯示 XpertAI 成功結合了 LLMs 和 XAI 工具，提供具體且科學準確的解釋，讓複雜的化學數據更易於理解。 PubMed DOI

Explainable Synthesizability Prediction of Inorganic Crystal Polymorphs using Large Language Models.
使用大型語言模型進行無機晶體多型體的可解釋合成性預測。 Angew Chem Int Ed Engl 2025-02-13

這項研究探討了機器學習在預測假想晶體結構可合成性上的應用，特別是微調過的大型語言模型（LLMs）。這些模型在訓練時使用人類可讀的結構描述，表現與傳統卷積圖神經網絡相當。透過正標籤-未標籤學習模型及結構的文本嵌入表示，預測準確性更佳。此外，LLM能生成清晰的解釋，幫助化學家理解影響合成的因素，並優化無法合成的結構，協助設計新材料。 PubMed DOI

Chemical Language Model Linker: blending text and molecules with modular adapters.
化學語言模型連結器：以模組化轉接器融合文本與分子 ArXiv 2025-05-05

作者提出 ChemLML 這個輕量級方法，把現有的文字和分子模型結合起來，能直接從文字描述產生新分子，不用從零訓練模型，省下不少算力。分子表示法選擇很重要，SMILES 通常比 SELFIES 表現更好。作者也討論資料集問題，並證明 ChemLML 在藥物分子生成和評估上很有成效。 PubMed

XMolCap: Advancing Molecular Captioning through Multimodal Fusion and Explainable Graph Neural Networks.
XMolCap：透過多模態融合與可解釋圖神經網路推進分子描述技術 IEEE J Biomed Health Inform 2025-05-23

XMolCap 是一套全新分子描述系統，結合分子影像、SMILES 字串和圖結構，透過多模態融合技術，能產生可解釋又精確的分子描述。它基於 BioT5 架構，並用 SwinOCSR、SciBERT、GIN-MoMu 等模型萃取特徵，表現優於現有方法，對新藥開發很有幫助。程式碼已開源，有興趣可到 GitHub 查看。 PubMed DOI

GICL: A Cross-Modal Drug Property Prediction Framework Based on Knowledge Enhancement of Large Language Models.
GICL：基於大型語言模型知識增強的跨模態藥物性質預測框架 J Chem Inf Model 2025-05-28

這篇研究提出GICL框架，把藥物SMILES字串的大型語言模型嵌入和分子影像結合，利用跨模態對比學習整合資訊。這種融合方式讓GICL在藥物性質預測（ADMET）上表現領先，還能提供可解釋的分析，有助於提升藥物開發效率。 PubMed DOI

原始文章

站上相關主題文章列表