MolDeTox：评估语言模型在分子脱毒中的分步片段编辑能力
人工智能
2026-05-13 v1
摘要
大型语言模型（LLM）和视觉语言模型（VLM）最近在 various 科学领域展现出有前景的能力。具体而言，这些进展为药物发现开辟了新的机遇，因为理解和修改分子结构对于优化药物属性（如疗效和毒性）至关重要。然而，现有模型和基准常常忽视与毒性相关的挑战，主要关注一般属性优化，而不充分考虑安全问题。此外，现有的毒性修复基准也存在数据多样性有限、生成分子结构有效性低以及对毒性评估过度依赖代理模型等问题。为此，我们提出了 MolDeTox，一个用于分子脱毒的新型基准，旨在使其能够对毒性感知的分子优化进行细粒度可靠评估。我们在多种设置下评估了广泛的通用 LLM 和 VLM，证明在片段级别理解和生成分子有助于提高结构有效性并提升生成分子的质量。此外，通过详细的任务级性能分析，MolDeTox 提供了一个可解释的基准，帮助更深入地理解脱毒过程。本数据集可在 https://huggingface.co/datasets/MolDeTox/MolDeTox 获取。
引用
@article{arxiv.2605.12181,
title = {MolDeTox: Evaluating Language Model's Stepwise Fragment Editing for Molecular Detoxification},
author = {Jueon Park and Wonjune Jang and Jiwoo Lee and Yein Park and Jaewoo Kang},
journal= {arXiv preprint arXiv:2605.12181},
year = {2026}
}