2025_NIPS_KnowMol: Advancing Molecular Large Language Models with Multi-Level Chemical Knowledge
文章核心总结与创新点
主要内容
该研究聚焦分子大语言模型（Mol-LLMs）的核心局限，提出了数据集与表征策略的双重创新，最终开发出性能领先的多模态分子大语言模型KnowMol。研究首先指出当前Mol-LLMs因预训练数据集质量不足（PubChem覆盖失衡、粒度粗糙）和分子表征策略欠佳（1D/2D模态信息编码低效），在分子原子识别、官能团鉴定、结构解析和性质预测等基础任务中存在明显缺陷；随后构建了包含10万条多级别分子标注的KnowMol-100K数据集，并设计了化学信息增强的分子表征方案；基于上述创新，通过两轮指令微调训练出KnowMol模型，在分子理解（标注生成、性质预测）和分子生成（反应预测、逆合成分析）7类下游任务中均超越现有模型。
核心创新点
- 数据集创新：构建KnowMol-100K数据集，涵盖原子、官能团、结构构建、理化性质四个层级的精细标注，解决了PubChem数据集覆盖不均衡、描述粗粒度的问题，大幅提升分子信息的完整性和深度。
- 表征策略创新：提出化学信息增强的分子表征方案，1D层面用SELFIES替代SMILES并设计专属词汇表避免模态混淆，2D层面设计层级图编码器，通过局部/全局池化生成原子、官能团、分子三级令牌，高效捕捉分子层级结构信息。
- 模
