BioMedGPT-Mol:分子理解与生成的多任务学习
人工智能
2025-12-12 v2
摘要
分子在生物医学研究和发现中扮演着至关重要的角色,特别是在小分子药物开发领域。鉴于大型语言模型的快速发展,尤其是近期推理模型的出现,探索如何将通用语言模型高效适配于分子科学应用是自然的选择。在本工作中,我们引入了BioMedGPT-Mol,一种旨在支持分子理解和生成任务的分子语言模型。通过整理和统一现有的公共指令数据集,我们构建了一个大规模、全面且高质量的训练数据集。该模型随后通过精心设计的多任务学习框架进行微调。在综合了LlaSMol、TOMG-Bench和MuMOInstruct的基准测试上,BioMedGPT-Mol取得了显著的性能。我们的实验结果表明,一个通用推理模型可以通过结构良好的多任务课程有效地且高效地后训练为专业的分子语言模型。利用这些能力,我们进一步将模型应用于多步骤逆合成规划,在RetroBench上取得了最先进的性能,展示了其作为端到端逆合成规划器的优越效能。我们预计我们的方法可以扩展到其他生物医学科学领域。
引用
@article{arxiv.2512.04629,
title = {BioMedGPT-Mol: Multi-task Learning for Molecular Understanding and Generation},
author = {Chenyang Zuo and Siqi Fan and Zaiqing Nie},
journal= {arXiv preprint arXiv:2512.04629},
year = {2025}
}