【论文阅读】Can Large Language Models Empower Molecular Property Prediction?

本文主要是介绍【论文阅读】Can Large Language Models Empower Molecular Property Prediction?，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

0、基本信息

• 作者：Chen Qian, Huayi Tang, Zhirui Yang
• 文章链接：Can Large Language Models Empower Molecular Property Prediction?
• 代码链接：Can Large Language Models Empower Molecular Property Prediction?

1、研究动机

 分子属性预测得到巨大的关注，分子图能够被描述为图结构的数据或SMILES (Simplified Molecular-Input Line-Entry System)文本。LLMs的快速发展给NLP领域带来颠覆性变化，但是，LLM如何影响分子性质预测的探索仍处于早期阶段。

本文，从两个视角——零样本和少样本分子分类，通过LLMs生成分子原始SMILESD的新解释。

• 首先提示LLM进行上下文分子分类并评估其性能。
• 然后，我们使用LLM为原始SMILES生成语义丰富的分析和解释。文本解释可以作为分子的新表征。
• 最后，利用它来微调多个下游任务的小规模LM模型

2、创新性

 由于分子可以表示为SMILES序列，因此使用具有强大文本理解能力的LLM来处理分子数据是一个不错的想法。简而言之，大模型在分子预测任务上的迁移。

 例如，对于给定分子的SMILES，ChatGPT可以准确地描述分子的功能组、化学性质和潜在的药物应用。如下图所示。

基本思想：

 对于所给的SMILES序列，设计合理的提示，提示LLM进行zero/few-shot 分类，并总结出新的表征，即Caption as new Representation，用新的表征在下游任务上微调小规模LMs。

3、方法论

 情境学习（ICL）已经成为NLP的新范式。使用包含以自然语言模板编写的多个示例作为输入的上下文，LLM可以对未看到的输入进预测，而不需要额外的参数更新。利用ChatGPT的ICL能力，通过设计的提示来帮助分子分类任务，如下图所示。

 这种模式使得通过改变演示和模板将人类知识融入LLM变得更加容易。

 在PTC数据集上，使用“毒性”、“癌症”和“有害”等术语进行关键字搜索，以检索ChatGPT为原始SMILES格式PTC数据集生成的所有解释。值得注意的是，观察到这些关键字中的大多数主要出现在标记为-1的条目中。这表明ChatGPT能够为原始SMILES字符串提供有意义和独特的专业解释，从而使下游任务受益。

 总之，利用ChatGPT来理解原始SMILES字符串并生成包含各个方面的文本描述；然后，微调预训练的小规模LM用于各种下游任务，例如分子分类和性质预测。

4、实验结果

 ChatGPT具有一定水平的少样本分子分类能力。然而，在整个实验中，发现ChatGPT的分类性能并不一致，对于相同的提示，不同的提示也有显着的影响的结果。因此，设计有效的提示，并聚合合理的先验信息实现更好的零样本和少样本分类至关重要的.

这篇关于【论文阅读】Can Large Language Models Empower Molecular Property Prediction?的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---