DrugR：通过基于LLM的显式推理优化分子药物
机器学习
2026-02-10 v1 人工智能
计算与语言
定量方法
摘要
分子生成与优化是化学领域的一项基础任务。智能工具，特别是具有强大知识储备和交互能力的大语言模型（LLM）的快速发展，为其提供了新的范式。然而，LLM面临的固有挑战在于分子结构与药理特性之间复杂的隐式关系，以及缺乏相应的标注数据。为弥补这一差距，我们提出了DrugR，一种基于LLM的方法，它将显式的、逐步的药理学推理引入优化过程。我们的方法整合了领域特定的持续预训练、通过反向数据工程进行的监督微调以及自平衡的多粒度强化学习。该框架使DrugR能够在保持原始分子核心功效的同时，有效改善关键的ADMET性质。实验结果表明，DrugR在多个性质上实现了全面增强，且不损害结构相似性或靶点结合亲和力。重要的是，其显式推理过程为每个优化步骤提供了清晰、可解释的理由，产生了可操作的设计见解，并推动了向自动化、知识驱动的科学发现迈进。我们的代码和模型检查点已开源，以促进未来的研究。
引用
@article{arxiv.2602.08213,
title = {DrugR: Optimizing Molecular Drugs through LLM-based Explicit Reasoning},
author = {Haoran Liu and Zheni Zeng and Yukun Yan and Yuxuan Chen and Yunduo Xiao},
journal= {arXiv preprint arXiv:2602.08213},
year = {2026}
}