使用基于图的工具改进小语言模型中的分子特性预测

arXiv:2607.13115v1 公告类型：新 摘要：小语言模型 (SLM) 已显示出通过 SMILES 字符串进行零样本分子属性预测的前景，但由于序列表示未指定关键的图拓扑线索，因此它们经常遭受结构失明的困扰。我们提出了一个模块化的上下文增强提示框架，可以在推理时使用代理工具：经过训练的 GNN 专家模型可以自信地提供预测提示，并且 GNN 提取特定于实例的解释子图（例如，子图 SMILES 和随附的解释段落）。我们在五种提示配置（从仅 SMILES 到使用手头所有可用工具）下评估 MUTAG 和 Tox21 上的三种常用 SLM。在两个数据集中，通过图形衍生的上下文丰富提示可以带来显着的准确度提升，通常相对提升超过 25%，在 Tox21 上提升高达 74%。我们通过基于必要性的边缘下降干预进一步验证了提取的图案的功能相关性。尽管取得了一些成果，但与专门的 GNN 模型之间仍然存在持续的差距，这凸显了分子结构的文本条件推理的价值和局限性。