FGBench：面向分子性质推理的功能基团水平数据集与基准
机器学习
2026-02-17 v4 人工智能
生物大分子
定量方法
摘要
大型语言模型(LLMs)在化学领域获得了广泛关注。然而，大多数现有数据集聚焦于分子水平的性质预测，忽视了细粒度功能基团(FG)信息的作用。纳入FG级别的数据可提供有价值的先验知识，将分子结构与文本描述关联起来，可用于构建更具可解释性、结构感知的LLM，以在分子相关任务中进行推理。此外，LLMs可从此类细粒度信息中学习，以发现特定功能基团与分子性质之间的隐藏关系，从而推动分子设计和药物发现。本文引入FGBench，一个包含62.5K个分子性质推理问题的数据集，涵盖功能基团信息。功能基团被精确标注并定位于分子内部，确保数据集的可互操作性，从而便于进一步的多模态应用。FGBench包括245个不同功能基团的回归和分类任务，这些功能基团分为三个类别用于分子性质推理：(1)单个功能基团影响，(2)多个功能基团相互作用，(3)直接分子比较。在7K个精选数据的基准测试中，结果表明当前LLM在FG水平的性质推理方面存在挑战，凸显了提升化学任务中LLM推理能力的必要性。我们预计FGBench所采用的构建功能基团水平信息数据集的方法将作为生成新问答对的基础框架，使LLM更好地理解细粒度分子结构-性质关系。该数据集和评估代码已在https://github.com/xuanliugit/FGBench上提供。
引用
@article{arxiv.2508.01055,
title = {FGBench: A Dataset and Benchmark for Molecular Property Reasoning at Functional Group-Level in Large Language Models},
author = {Xuan Liu and Siru Ouyang and Xianrui Zhong and Jiawei Han and Huimin Zhao},
journal= {arXiv preprint arXiv:2508.01055},
year = {2026}
}
备注
NeurIPS 2025 (Datasets and Benchmarks Track)