打破有毒分子：MLLMs 是否准备好进行结构级分毒？
人工智能
2026-01-29 v3 计算与语言
摘要
毒性仍是导致药物开发早期失败的主要原因。尽管在分子设计和性质预测方面取得了进展，但分子毒性修复这一任务——生成具有降低毒性的结构有效分子替代方案——尚未得到系统性定义或基准测试。为填补这一空白，我们引入 ToxiMol，即首个面向通用多模态大语言模型 (MLLMs) 的分子毒性修复基准任务。我们构建了一个覆盖 11 项主要任务和 660 个代表性有毒分子的标准化数据集，这些分子涵盖多种毒性机制和细粒度。我们设计了一种具备机制感知和任务自适应能力的提示标注管线，依据专家毒理学知识进行准确标注。同时，我们提出了一个自动化评估框架 ToxiEval，将毒性终端预测、合成可及性、药物似然性和结构相似性整合到高通量评估链中，用于评估修复成功。我们系统评估了 43 个主流通用 MLLMs，并进行多项消融研究，以分析关键问题，包括评估指标、候选多样性和失败归因。实验结果表明，尽管当前 MLLMs 在该任务上仍面临重大挑战，但它们开始在毒性理解、语义约束遵循和结构感知编辑方面展现出有前景的能力。
引用
@article{arxiv.2506.10912,
title = {Breaking Bad Molecules: Are MLLMs Ready for Structure-Level Molecular Detoxification?},
author = {Fei Lin and Ziyang Gong and Cong Wang and Tengchao Zhang and Yonglin Tian and Yining Jiang and Ji Dai and Chao Guo and Xiaotong Yu and Xue Yang and Gen Luo and Fei-Yue Wang},
journal= {arXiv preprint arXiv:2506.10912},
year = {2026}
}