LLM增强分子性质预测模型

12项基准领先

用大语言模型生成的规范化描述引导图神经网络，通过多层知识蒸馏交换原子、键、子结构和分子级信息，比现有单模型方法更全面。

Zhuang, Luhe · Sun, Yanshen · Zhao, Jun · Yue, Lu · 王宏

Knowledge-Based Systems 2025

技术优势

不用怕LLM幻觉

用LLM按模板生成规范分子描述作为提示，而不是直接生成描述，避免了幻觉问题，提取的特征更可靠。

两个模型互相教

多层知识蒸馏让两个图神经网络在原子、键、子结构和分子层面交换知识，互补提升。

分子信息吃得全

分层消息传递神经网络聚合原子、键、子结构和整个分子的信息，充分利用分子图。

应用场景

• 药物性质预测：直接预测候选分子的药代性质，省去昂贵实验。
• 药物虚拟筛选：在虚拟筛选中快速评估分子活性，缩减待测化合物数量。
• 分子表征学习：利用LLM描述增强分子表示，提升下游任务精度。
• AI辅助材料设计：加速新材料的性质预测，辅助设计筛选。