DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery
机器学习
2026-04-06 v1 人工智能
软件工程
生物大分子
摘要
大语言模型 (LLM) 正在药物发现研究中崭露头角，为通过加速假设生成、优化候选人优先级和实现更可扩展、成本更低的药物发现管道而重塑药物研究提供前所未有的机遇。然而，目前缺乏对 LLM 性能的客观评估，以确定其在药物发现平台中的优势与局限。为解决这一问题，我们开发了 DrugPlayGround 框架，用于评估 LLM 在生成有意义的药物特性、药物协同作用、药物-蛋白相互作用以及药物分子引入的扰动对生理反应的文本描述方面的性能。此外，DrugPlayGround 旨在与领域专家合作，提供详细解释来判断 LLM 预测的合理性，从而测试 LLM 在化学和生物推理能力方面，以推动其在药物发现全流程的前沿应用。
引用
@article{arxiv.2604.02346,
title = {DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery},
author = {Tianyu Liu and Sihan Jiang and Fan Zhang and Kunyang Sun and Teresa Head-Gordon and Hongyu Zhao},
journal= {arXiv preprint arXiv:2604.02346},
year = {2026}
}
备注
29 pages, 6 figures