KnowMol: Advancing Molecular Large Language Models with Multi-Level Chemical Knowledge

文章主要内容总结该研究聚焦分子大语言模型（Mol-LLMs）的核心局限，提出数据集与表示策略双重创新，开发出性能领先的多模态分子大语言模型KnowMol。核心内容包括：指出当前Mol-LLMs存在数据集质量低（PubChem覆盖失衡、粒度粗糙）和分子表示策略欠佳（1D/2D模态编码不足）两大问题。构建KnowMol-100K数据集，含10万条分子的四级精细标注（原子、官能团、结构构建、理化性质），弥补分子信息与文本描述的鸿沟。提出化学信息增强的分子表示方案：1D层面用SELFIES替代SMILES并设计专属词汇表，2D层面通过分层图编码器捕捉分子层级结构。设计多轮问答和描述引导分子生成两大训练任务，基于上述创新训练出KnowMol模型，在分子理解（标注、性质预测）和生成（反应预测、逆合成）7类下游任务中全面超越现有模型。文章创新点数据集创新：首次构建多级别、细粒度的KnowMol-100K数据集，覆盖分子核心特征，解决PubChem数据集的覆盖失衡和粒度粗糙问题。表示策略创新：提出兼顾1D字符串和2D图结构的化学信息增强表示方法，避免模态混淆，高效捕捉分子层级结构。模型与任务创新：设计针对性训练任务，将数据集优势与表示策略结合，开发出KnowMol模型，实现分子理解与生成任务的性能突破。