Resumen Técnico: MoleCode Desbloquea la Inteligencia Estructural en Modelos de Lenguaje Grandes

Declaración del Problema

Los Modelos de Lenguaje Grandes (LLM) se aplican cada vez más a la ciencia molecular, pero enfrentan un problema fundamental de interfaz: las moléculas son inherentemente grafos (nodos y aristas), pero la representación dominante, SMILES, las codifica como cadenas lineales unidimensionales. En SMILES, la conectividad, las ramificaciones y los cierres de anillo son implícitos, lo que obliga al modelo a reconstruir internamente la topología molecular antes de poder realizar razonamiento químico. Este cuello de botella de "reconstrucción estructural" fuerza a los LLM a descifrar la sintaxis en lugar de operar directamente sobre la estructura, lo que conduce a una degradación del rendimiento en tareas que requieren conciencia topológica, como predecir reacciones, contar átomos en anillos complejos o editar moléculas desconocidas. Los enfoques actuales, incluidas las Redes Neuronales de Grafos (GNN) y los sistemas híbridos, carecen de capacidades de razonamiento general o comprimen la información del grafo en vectores/secuencias, perdiendo localidad y editabilidad.

Metodología: MoleCode

Los autores presentan MoleCode, un lenguaje molecular nativo de LLM, sin entrenamiento y explícito en grafos, diseñado para hacer que la topología molecular sea directamente legible y operable dentro del contexto del lenguaje.

• Gramática y Primitivas: MoleCode se basa en una gramática simple de Subgrafo–Nodo–Arista:
  • Subgrafo: Define ámbitos estructurales (por ejemplo, una molécula completa, una unidad repetitiva o un andamiaje Markush).
  • Nodo: Representa entidades tipificadas (átomos o grupos químicos de nivel superior) con identificadores persistentes que permanecen estables a través de los pasos de razonamiento.
  • Arista: Codifica relaciones explícitas (enlaces) entre nodos, incluido el orden del enlace (simple, doble, triple, aromático).
• Representación Explícita: A diferencia de SMILES, donde la topología se infiere de la posición en la secuencia, MoleCode establece la conectividad directamente. Por ejemplo, un átomo se declara con un ID, y los enlaces se vinculan explícitamente a los IDs de origen y destino.
• Conversión Determinista: MoleCode admite una conversión bidireccional y determinista con formatos estándar (SMILES, archivos MOL) sin pérdida de información estructural, utilizando RDKit para el análisis y la serialización.
• Extensibilidad: La gramática se extiende más allá de las moléculas pequeñas hacia:
  • Polímeros: Representados como subgrafos explícitos con operadores de multiplicidad (por ejemplo, $\times n$) en lugar de cadenas expandidas.
  • Estructuras Markush: Los sustituyentes variables y las relaciones lógicas se codifican como nodos y aristas explícitos.
  • Mecanismos de Reacción: Representados como secuencias de transformaciones de grafos (estados y trayectorias de transferencia de electrones).
  • Documentos Multimodales: Analiza texto e imágenes entrelazados de patentes y artículos de investigación en grafos estructurales unificados.

Contribuciones Clave

1. Un Nuevo Paradigma de Representación: MoleCode desplaza la representación molecular de la sintaxis secuencial implícita a objetos de grafo explícitos y editables dentro de la ventana de contexto del LLM.
2. Integración Sin Entrenamiento: No requiere modificación de los pesos del LLM; funciona como una estrategia de ingeniería de prompts que desbloquea la inteligencia estructural en modelos de vanguardia existentes.
3. Habilitación de Flujos de Trabajo Agénticos: La naturaleza explícita de MoleCode permite operaciones de grafo localizadas y auditables, permitiendo a los agentes de codificación razonar, editar y validar estructuras moleculares de forma iterativa.
4. Interfaz Unificada: Proporciona un único lenguaje para diversos objetos químicos, desde moléculas pequeñas hasta polímeros, mecanismos de reacción y documentos científicos complejos.

Resultados

Los autores evaluaron MoleCode en tres LLM de vanguardia (DeepSeek-R1, Gemini-2.5-Flash, Gemini-3-Pro) y múltiples puntos de referencia:

• Razonamiento Molecular: MoleCode superó consistentemente a SMILES y SELFIES, particularmente en tareas que requieren generalización estructural en lugar de memorización.
  • Moléculas Desconocidas: La precisión en moléculas nuevas se mantuvo estable (~76–80%) con MoleCode, mientras que la precisión de SMILES disminuyó significativamente (a ~20%) a medida que disminuía la familiaridad.
  • Escalado de Complejidad: A medida que aumentaba el tamaño y la complejidad molecular (por ejemplo, conteo de carbono >50), el rendimiento de SMILES se degradó monótonamente, mientras que MoleCode mantuvo una alta precisión.
  • Ganancias en Tareas: La precisión de predicción de reacciones para Gemini-3-Pro mejoró del 58,8% (SMILES) al 95,0% (MoleCode); la predicción de fórmulas moleculares aumentó del 58,0% al 90,0%.
• Optimización Molecular: En la optimización dirigida a objetivos (LogP y solubilidad), MoleCode permitió ediciones más interpretables químicamente y localizadas.
  • Los modelos que utilizan MoleCode lograron mayores mejoras medias en las propiedades (por ejemplo, +1,15 LogP para Gemini-2.5-Flash frente a 0,0 con SMILES).
  • Las ediciones preservaron la similitud estructural (similitud Tanimoto) mientras apuntaban a cambios específicos en las propiedades, mientras que SMILES a menudo producía candidatos estructuralmente degradados.
• Eficiencia de Inferencia: Aunque las entradas de MoleCode son más largas, desplazan el perfil de costo de inferencia.
  • Asignación de Tokens: MoleCode reduce la necesidad de trazas de razonamiento de Cadena de Pensamiento (CoT) largas dedicadas a reconstruir la topología. El costo de tokens de CoT escaló sublinealmente ($C^{0.52}$) con el tamaño molecular, en comparación con el crecimiento superlineal de SMILES ($C^{1.65}$).
  • Productividad: Un razonamiento más largo con MoleCode se correlacionó positivamente con el éxito de la optimización, mientras que un razonamiento más largo con SMILES no lo hizo.
• Polímeros y Estructuras de Orden Superior:
  • Polímeros: MoleCode mantuvo una precisión casi perfecta en el conteo de carbono y la edición para polímeros con >250 unidades repetitivas, donde las cadenas completas de SMILES colapsaron.
  • Markush y Mecanismos: MoleCode superó sustancialmente a E-SMILES en el análisis de estructuras Markush (precisión del 38,1% al 84,0%) y mejoró la precisión en la representación de mecanismos de reacción y trayectorias de transferencia de electrones.
  • Análisis Multimodal: Analizó con éxito artículos de investigación complejos recién publicados y divulgaciones de patentes en grafos estructurales unificados, preservando las relaciones entre texto e imágenes.

Significado y Afirmaciones

El artículo argumenta que la interfaz entre los objetos científicos y los LLM no debe tratar la estructura como algo que debe descifrarse a partir del texto. Cuando el objeto de razonamiento es relacional, la estructura misma debe ser parte del lenguaje.

• Reencuadre de la Representación: Los autores afirman que las representaciones moldean las capacidades de razonamiento. Al hacer explícita la topología, MoleCode permite que los LLM operen directamente sobre átomos y enlaces, reasignando el esfuerzo computacional desde la reconstrucción estructural hacia operaciones químicamente significativas.
• Principio General: Este enfoque sugiere un principio más amplio para las interfaces de lenguaje científico: comprimir objetos relacionales en secuencias implícitas obliga a los modelos a recuperar la estructura antes de usarla. Exponer la estructura directamente permite que los LLM apliquen capacidades de razonamiento de manera más confiable en dominios científicos estructurados.
• Impacto Práctico: La integración de MoleCode en AtomFlow (un sistema agéntico) demuestra cómo los lenguajes explícitos en grafos pueden mover la química basada en LLM desde la generación de prompts a nivel de molécula hacia la interacción a nivel de átomo, apoyando tareas como la edición en lenguaje natural y la planificación de síntesis retrosintética.

Los autores se mantienen modestos, señalando que MoleCode no crea conocimiento químico que un modelo carezca y que los modelos más pequeños aún pueden generar estructuras inválidas. Sugieren que el siguiente paso es incorporar representaciones explícitas en grafos en el preentrenamiento para aprender dominios estructurados desde el principio.