Resumen Técnico: Representaciones Moleculares para Modelos de Lenguaje Grande

Enunciado del Problema

Los Modelos de Lenguaje Grande (LLM) se aplican cada vez más al descubrimiento científico, incluyendo tareas que requieren razonamiento sobre estructuras moleculares, como la predicción de reacciones, el análisis mecanístico y la elucidación estructural. Sin embargo, los LLM actuales son modelos basados en secuencias que operan sobre texto, mientras que las moléculas se definen naturalmente como grafos (átomos como nodos, enlaces como aristas). En consecuencia, los grafos moleculares deben serializarse en formatos basados en texto para su procesamiento por LLM.

Aunque estudios previos en química han utilizado predominantemente cadenas SMILES o nombres IUPAC como interfaz entre los LLM y las estructuras moleculares, la idoneidad de estos formatos para el razonamiento de LLM no ha sido evaluada sistemáticamente. Estos formatos fueron diseñados originalmente para flujos de trabajo tradicionales de quimioinformática e interpretación humana, imponiendo restricciones sintácticas y semánticas estrictas (por ejemplo, reglas de recorrido para SMILES, reglas de nomenclatura para IUPAC) que pueden no alinearse con las fortalezas arquitectónicas de los LLM. Esta desalineación limita potencialmente la fiabilidad de los LLM en la interpretación y generación de grafos moleculares.

Metodología

Para abordar esta brecha, los autores introdujeron MolJSON, un esquema JSON estructurado novedoso diseñado específicamente como formato de entrada y salida para LLM. El estudio comparó sistemáticamente MolJSON contra cinco representaciones químicas establecidas: SMILES, nombres IUPAC, SELFIES, InChI y MOL V2000.

El Esquema MolJSON

MolJSON representa las moléculas como objetos JSON que contienen listas explícitas de átomos y enlaces, en lugar de depender de un recorrido lineal o de nomenclatura basada en reglas.

• Átomos: Definidos por un identificador único y un símbolo del elemento.
• Enlaces: Definidos por pares de identificadores de átomos y un orden de enlace.
• Campos Opcionales: Incluye campos dispersos para cargas formales no nulas e hidrógenos explícitos en átomos de nitrógeno aromático para asegurar la asignación correcta de valencia.
• Filosofía de Diseño: La identidad molecular se define directamente por los conjuntos de átomos y enlaces, independientemente del ordenamiento de los arreglos, eliminando la necesidad de recorridos de grafos específicos.

Diseño de la Prueba de Referencia

Los autores construyeron una prueba de referencia compuesta por 78.045 preguntas generadas algorítmicamente para aislar el impacto de la representación en el rendimiento de los LLM, evitando factores de confusión derivados de conocimientos especializados en química. La evaluación utilizó cuatro modelos: GPT-5-nano, GPT-5-mini, GPT-5 y Claude Haiku 4.5. Las tareas incluyeron:

1. Traducción Molecular: Convertir una molécula de un formato a otro (por ejemplo, de IUPAC a SMILES). La precisión se midió mediante la equivalencia molecular exacta utilizando SMILES canónicos y RDKit.
2. Razonamiento de la Ruta Más Corta: Dada una molécula, el modelo debe determinar el número de enlaces en la ruta más corta entre dos átomos de halógeno específicos.
3. Generación Molecular Restringida: El modelo debe generar una molécula que satisfaga restricciones específicas (por ejemplo, presencia de halógenos específicos, conteos de anillos, topologías y longitudes de ruta).

Los datos se obtuvieron de la base de datos PubChem (moléculas depositadas entre octubre de 2025 y diciembre de 2025) para minimizar la contaminación por datos de entrenamiento del modelo. Se excluyeron moléculas con estereoquímica, sales o elementos inorgánicos.

Resultados Clave

El estudio observó una variación sustancial en el rendimiento de los LLM dependiendo de la representación molecular utilizada, con MolJSON superando consistentemente a los formatos existentes en todas las tareas y modelos.

1. Traducción Molecular

• Rendimiento de Salida: Al generar salidas, MolJSON superó significativamente a SMILES e IUPAC. Para GPT-5, convertir nombres IUPAC a MolJSON logró una precisión del 71,0%, en comparación con el 43,7% para convertir IUPAC a SMILES. De manera similar, la traducción de SMILES a MolJSON alcanzó una precisión del 92,3%, frente al 43,5% para SMILES a IUPAC.
• Rendimiento de Entrada: MolJSON también sirvió como un formato de entrada superior. Al generar salidas SMILES, la precisión mejoró del 43,7% (entrada IUPAC) al 48,3% (entrada MolJSON).

2. Razonamiento de la Ruta Más Corta

• MolJSON fue el formato de entrada más fiable para el razonamiento de grafos. GPT-5 logró una precisión del 98,5% con entradas MolJSON, en comparación con el 92,2% para SMILES y el 82,7% para IUPAC.
• Eficiencia: MolJSON requirió significativamente menos tokens de razonamiento. GPT-5 utilizó un promedio de 1.021 tokens con entradas MolJSON frente a 1.854 tokens con SMILES, lo que sugiere que SMILES e IUPAC requieren que el modelo reconstruya el grafo antes de razonar, un paso propenso a errores.
• Modos de Fallo: El rendimiento de IUPAC se degradó significativamente con sistemas de anillos fusionados (descendiendo al 66,2% de precisión para anillos fusionados frente al 96,9% para no fusionados), mientras que MolJSON permaneció robusto (98,5% en ambos casos).

3. Generación Restringida

• MolJSON fue el formato de salida más fiable para generar moléculas bajo restricciones. GPT-5 logró una precisión del 95,3% con MolJSON, en comparación con el 76,3% para IUPAC y el 64,0% para SMILES.
• La ventaja fue particularmente pronunciada para topologías complejas. Para sistemas de anillos fusionados, GPT-5 logró una precisión del 92% con MolJSON, frente al 42% para SMILES y el 56% para IUPAC.

4. Análisis de Errores

Se observaron errores sistemáticos para SMILES e IUPAC relacionados con el tamaño molecular y la complejidad de los anillos.

• SMILES: Los errores a menudo surgieron de violaciones de sintaxis y moléculas inválidas, lo que sugiere que las restricciones estrictas de recorrido del formato son difíciles de mantener para los LLM.
• IUPAC: Los errores estuvieron fuertemente asociados con sistemas de anillos fusionados y reglas de nomenclatura complejas.
• MolJSON: Demostró robustez frente a estos modos de fallo. Los autores señalan que la flexibilidad de MolJSON permite a los LLM utilizar identificadores de átomos "ricos" (por ejemplo, abreviaturas de grupos funcionales) que pueden actuar como "tokens de grafo" en el proceso de razonamiento del modelo, una capacidad no disponible en formatos rígidos como SMILES o IUPAC.

Significado y Afirmaciones

El artículo afirma que la elección de la representación molecular tiene un impacto material en la capacidad de los LLM para interpretar y generar grafos moleculares. Los autores argumentan que:

1. Las Codificaciones Explícitas de Grafos son Superiores: Los formatos que codifican explícitamente átomos y enlaces (como MolJSON) están intrínsecamente mejor alineados con los LLM actuales que los formatos serializados (SMILES) o la nomenclatura basada en reglas (IUPAC).
2. Rendimiento sin Entrenamiento Explícito: A pesar de que SMILES e IUPAC son omnipresentes en los datos de entrenamiento, MolJSON los superó sin ningún entrenamiento explícito en el formato, lo que sugiere que la ventaja estructural es inherente a la representación.
3. Fundamento para Sistemas Agentes: A medida que los sistemas basados en LLM en química avanzan hacia el descubrimiento autónomo, la fiabilidad de la interacción molecular es crítica. Los autores sugieren que las representaciones estructuradas como MolJSON deberían adoptarse para el desarrollo de sistemas químicos basados en LLM.

Los autores posicionan a MolJSON como un punto de partida para representaciones moleculares orientadas a LLM, en lugar de un formato final definitivo, señalando mejoras potenciales como un mejor manejo de la estereoquímica y las coordenadas atómicas. El estudio concluye que explorar representaciones moleculares diseñadas específicamente para LLM es una dirección prometedora para el campo.