MolTC: 语言模型中的分子关系建模
内容提要
本文综述分子表示学习与多模态大模型进展，涵盖CMRL因果模型、MolCA跨模态建模、MolCAP反应预训练、3D-MoLM三维分子理解、InstructMol指令对齐、MolReGPT检索提示及GIT-Mol任意类型到语言翻译等方法，在分子任务上显著提升性能。
延伸解读
从因果视角提升分子关系学习的稳健性
CMRL 针对分子关系学习中的分布变化问题，构建结构因果模型并引入条件干预框架，从因果子结构中学习，减轻了与化学反应表面相关的快捷子结构的混杂效应。这提示读者，在分子任务中，仅依赖表面相关特征可能导致模型在分布外数据上失效，而因果建模有助于提升泛化能力。
跨模态对齐与三维结构理解的关键进展
MolCA 通过跨模态计算器和单模适配器连接图编码器与语言模型，使语言模型能理解文本和图分子内容；3D-MoLM 则将三维分子编码器嵌入语言模型，弥补语言模型对三维结构理解的不足。这些工作表明，多模态融合正从二维图向三维结构扩展，为生物分子领域提供更全面的表示。
指令对齐与检索增强在药物发现中的潜力
InstructMol 采用两阶段指令调整策略，利用有限领域数据对齐分子结构与自然语言，在药物发现任务上显著缩小与专业模型的差距；MolReGPT 则通过检索式提示，从本地数据库检索相似分子及其描述来增强 LLM 的分子说明翻译。两者分别从指令微调和检索增强角度，展示了提升 LLM 分子任务性能的可行路径。
反应信息与任意类型到语言翻译的增益
MolCAP 利用化学反应知识进行图预训练，在生物医学任务中优于传统框架；GIT-Mol 和 GIT-Former 实现任意类型到语言的分子翻译，在分子字幕生成上改进 10%-15%，属性预测准确率提高 5%-10%，生成有效性提升 20%。这些结果说明，引入反应信息和统一翻译策略能有效提升分子表示与生成质量。
Q&A
MolTC是什么？它主要解决什么问题？
MolTC是一种在语言模型中建模分子关系的方法，旨在让语言模型理解分子结构和关系，从而提升分子相关任务的性能。
MolTC如何实现分子与语言的跨模态对齐？
MolTC通过跨模态计算器和单模适配器，将分子图编码器的表示空间与语言模型的文本空间连接，使语言模型能同时理解文本和分子图内容。
MolTC在分子任务上取得了哪些性能提升？
MolTC在分子任务上显著提升了性能，例如在分子字幕生成方面提高了10%-15%，属性预测准确率提高了5%-10%，分子生成有效性提高了20%。
MolTC与3D-MoLM有什么区别？
MolTC专注于分子关系建模和跨模态对齐，而3D-MoLM则通过嵌入3D分子编码器来增强语言模型对三维分子结构的理解，两者侧重点不同。
MolTC在药物发现中有哪些应用？
MolTC可用于药物发现相关的分子任务，如分子说明翻译、属性预测和分子生成，帮助加速药物发现过程。
MolTC如何处理分子关系学习中的分布变化问题？
MolTC通过构建结构因果模型（SCM）和引入条件干预框架，从因果子结构中学习，减轻了与化学反应表面相关的快捷子结构的混杂效应，从而应对分布变化。
