🧬 biology

MoleCode unlocks structural intelligence in large language models

MoleCode introduit un langage moléculaire graphique explicite et sans entraînement qui remplace les représentations linéaires implicites comme SMILES par des relations structurelles explicites, permettant aux grands modèles de langage de raisonner directement et de manipuler la topologie moléculaire pour améliorer les performances dans des tâches chimiques complexes.

Auteurs originaux : Zhiyuan Yan, Chen Liu, Boxuan Zhao, Kaiqing Lin, Jixiang Zhao, Yimi Wang, Liuzhenghao Lv, Hao Li, Shanzhuo Zhang, Li Yuan, Fanyang Mo

Publié 2026-05-19

📖 5 min de lecture🧠 Analyse approfondie

CC0 1.0

Auteurs originaux : Zhiyuan Yan, Chen Liu, Boxuan Zhao, Kaiqing Lin, Jixiang Zhao, Yimi Wang, Liuzhenghao Lv, Hao Li, Shanzhuo Zhang, Li Yuan, Fanyang Mo

Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Le Problème : La « Boîte Mystère » des Molécules

Imaginez que vous soyez architecte et que vous tentiez de construire une maison, mais qu'au lieu de vous remettre un plan avec des murs, des portes et des fenêtres clairement définis, quelqu'un vous tende une seule phrase longue qui décrit la maison.

« Commencez par une brique, allez à gauche, tournez à droite, posez une fenêtre ici, puis une porte, ensuite une boucle de briques qui revient au début... »

C'est ainsi que les modèles d'IA actuels (les grands modèles de langage ou LLM) perçoivent généralement les molécules. La méthode standard pour écrire une molécule s'appelle SMILES. C'est une chaîne de texte compacte qui cache la véritable forme 3D et les connexions de la molécule à l'intérieur d'une ligne de code.

Lorsqu'une IA tente de comprendre une molécule écrite en SMILES, elle doit effectuer de nombreux exercices de gymnastique mentale. Elle doit lire la phrase, faire une pause et se dire : « Attendez, laissez-moi reconstruire toute la maison dans ma tête avant de pouvoir vous dire si le toit est sûr ou si je peux ajouter une nouvelle pièce. » Cette étape de « reconstruction » est lente, sujette aux erreurs et devient beaucoup plus difficile lorsque la maison (la molécule) est immense ou lorsque l'IA n'a jamais rencontré ce design spécifique auparavant.

La Solution : MoleCode (Le « Plan Lego »)

Les chercheurs ont introduit un nouveau langage appelé MoleCode. Imaginez MoleCode non pas comme une phrase, mais comme un manuel d'instructions Lego numérique ou un tableur.

Au lieu d'une phrase longue et confuse, MoleCode liste explicitement chaque pièce (atome) et chaque connexion (liaison).

Atome 1 est un Carbone.
Atome 2 est un Oxygène.
Connexion : L'Atome 1 est lié à l'Atome 2.

Dans ce format, le « plan » est directement devant l'IA. Elle n'a pas besoin de deviner ou de reconstruire la forme ; la forme est déjà visible et modifiable.

Ce Qui S'est Passé Lorsqu'ils l'Ont Essayé ?

L'équipe a testé ce nouveau langage sur plusieurs tâches en utilisant des modèles d'IA de premier plan. Voici ce qu'ils ont découvert, en utilisant des comparaisons simples :

1. Résoudre des énigmes (Raisonnement)

L'Ancienne Méthode : Lorsqu'on demandait de compter les fenêtres d'une maison complexe et inconnue, l'IA utilisant SMILES se perdait souvent dans la longue phrase et donnait la mauvaise réponse.
La Méthode MoleCode : Avec MoleCode, l'IA pouvait simplement regarder la liste des pièces et les compter instantanément. L'IA est devenue nettement meilleure dans des tâches comme la prédiction de réactions chimiques ou le comptage d'atomes, en particulier pour des molécules complexes ou inconnues.

2. Rénover des maisons (Optimisation)

L'Ancienne Méthode : Si vous demandiez à l'IA de « rendre cette maison plus économe en énergie », elle démolissait parfois toute la structure pour en construire une totalement différente, ou elle apportait des modifications qui faisaient s'effondrer la maison.
La Méthode MoleCode : Parce que l'IA pouvait voir exactement où se trouvait chaque « brique » (atome), elle apportait de petits changements précis (comme remplacer une fenêtre par une meilleure) qui amélioraient la maison sans briser la structure. Elle effectuait des modifications plus intelligentes et plus sûres.

3. Penser plus vite (Efficacité)

L'Ancienne Méthode : L'IA passait la majeure partie de son « temps de réflexion » à essayer de comprendre à quoi ressemblait la molécule. C'était comme un étudiant passant 10 minutes à dessiner la carte avant de résoudre le problème de mathématiques.
La Méthode MoleCode : L'IA passait moins de temps à dessiner la carte parce que la carte était déjà là. Même si les « instructions » de MoleCode étaient plus longues à lire, l'IA passait moins de temps à réfléchir, ce qui se traduisait par un processus global plus rapide et plus précis.

4. Construire des gratte-ciels (Polymères)

L'Ancienne Méthode : Les polymères sont comme de gigantesques chaînes de maillons répétitifs. Les écrire dans une phrase (SMILES) crée un bloc de texte massif et illisible. L'IA se perdait et échouait.
La Méthode MoleCode : MoleCode traite ces chaînes comme une instruction du type « Répétez ce bloc 100 fois ». L'IA pouvait gérer parfaitement ces structures géantes et répétitives, alors que l'ancienne méthode s'effondrait sous le poids du texte long.

5. Lire des documents complexes
Les chercheurs ont également montré que MoleCode fonctionne pour plus que de simples molécules. Il peut lire des articles scientifiques et des brevets qui mélangent texte et diagrammes, les transformant en un seul graphe organisé. Il peut même gérer les « structures de Markush » (formules chimiques avec des parties variables, comme « ajoutez n'importe quel fruit ici »), qui sont très difficiles à décrire avec des formats de texte standard.

La Grande Leçon

La leçon principale de ce document porte sur la façon dont nous parlons à l'IA de la science.

Actuellement, nous forçons l'IA à traduire des formes scientifiques en texte, puis à traduire ce texte de nouveau en formes dans son esprit. Ce document soutient que si l'objet que nous étudions est une structure (comme une molécule), nous devrions donner à l'IA un langage structurel pour travailler.

En passant des « phrases mystères » (SMILES) aux « plans explicites » (MoleCode), l'IA cesse de gaspiller de l'énergie à deviner à quoi ressemble la molécule et commence à utiliser son cerveau pour résoudre réellement des problèmes chimiques.

Note sur les Limites : Le document précise que MoleCode ne donne pas magiquement à l'IA de nouvelles connaissances chimiques qu'elle n'avait pas déjà. Si l'IA ne connaît pas la chimie, elle ne la connaîtra toujours pas. Cependant, cela permet à l'IA d'utiliser beaucoup plus efficacement les connaissances qu'elle possède déjà. De plus, le nouveau langage est plus long à taper que l'ancien, mais le compromis en vaut la peine car l'IA réfléchit moins et accomplit davantage.

Résumé technique : MoleCode débloque l'intelligence structurelle dans les modèles de langage de grande taille

Énoncé du problème

Les modèles de langage de grande taille (LLM) sont de plus en plus appliqués aux sciences moléculaires, mais ils se heurtent à un problème d'interface fondamental : les molécules sont intrinsèquement des graphes (nœuds et arêtes), mais la représentation dominante, SMILES, les encode sous forme de chaînes linéaires unidimensionnelles. Dans SMILES, la connectivité, les branches et les fermetures de cycles sont implicites, ce qui oblige le modèle à reconstruire en interne la topologie moléculaire avant de pouvoir effectuer un raisonnement chimique. Ce goulot d'étranglement de « reconstruction structurelle » force les LLM à décoder la syntaxe plutôt qu'à opérer directement sur la structure, entraînant une dégradation des performances dans des tâches nécessitant une conscience topologique, telles que la prédiction de réactions, le comptage d'atomes dans des cycles complexes ou l'édition de molécules inconnues. Les approches actuelles, y compris les réseaux de neurones à graphes (GNN) et les systèmes hybrides, manquent soit de capacités de raisonnement général, soit compressent les informations de graphe en vecteurs ou séquences, perdant ainsi la localité et l'éditabilité.

Méthodologie : MoleCode

Les auteurs présentent MoleCode, un langage moléculaire explicite aux graphes, natif des LLM et ne nécessitant pas d'entraînement, conçu pour rendre la topologie moléculaire directement lisible et opérable dans le contexte du langage.

Grammaire et primitives : MoleCode est construit sur une grammaire simple Sous-graphe–Nœud–Arête :
- Sous-graphe : Définit des portées structurelles (par exemple, une molécule entière, une unité de répétition ou un échafaudage Markush).
- Nœud : Représente des entités typées (atomes ou groupes chimiques de niveau supérieur) avec des identifiants persistants qui restent stables à travers les étapes de raisonnement.
- Arête : Encode des relations explicites (liaisons) entre les nœuds, y compris l'ordre de liaison (simple, double, triple, aromatique).
Représentation explicite : Contrairement à SMILES, où la topologie est déduite de la position dans la séquence, MoleCode énonce la connectivité directement. Par exemple, un atome est déclaré avec un ID, et les liaisons sont explicitement liées aux IDs source et cible.
Conversion déterministe : MoleCode prend en charge une conversion bidirectionnelle et déterministe avec des formats standards (SMILES, fichiers MOL) sans perte d'informations structurelles, en utilisant RDKit pour l'analyse et la sérialisation.
Extensibilité : La grammaire s'étend au-delà des petites molécules pour inclure :
- Polymères : Représentés comme des sous-graphes explicites avec des opérateurs de multiplicité (par exemple, $\times n$ ) plutôt que des chaînes étendues.
- Structures Markush : Les substituants variables et les relations logiques sont encodés comme des nœuds et des arêtes explicites.
- Mécanismes réactionnels : Représentés comme des séquences de transformations de graphes (états et chemins de transfert d'électrons).
- Documents multimodaux : Analyse des textes et images entrelacés provenant de brevets et d'articles de recherche pour les intégrer dans des graphes structurels unifiés.

Contributions clés

Un nouveau paradigme de représentation : MoleCode fait passer la représentation moléculaire d'une syntaxe séquentielle implicite à des objets de graphe explicites et éditables dans la fenêtre de contexte des LLM.
Intégration sans entraînement : Il ne nécessite aucune modification des poids des LLM ; il fonctionne comme une stratégie d'ingénierie de prompt qui débloque l'intelligence structurelle dans les modèles de pointe existants.
Activation de flux de travail agentique : La nature explicite de MoleCode permet des opérations de graphe localisées et auditable, permettant aux agents de codage de raisonner, éditer et valider itérativement les structures moléculaires.
Interface unifiée : Il fournit un langage unique pour divers objets chimiques, des petites molécules aux polymères, en passant par les mécanismes réactionnels et les documents scientifiques complexes.

Résultats

Les auteurs ont évalué MoleCode sur trois LLM de pointe (DeepSeek-R1, Gemini-2.5-Flash, Gemini-3-Pro) et plusieurs benchmarks :

Raisonnement moléculaire : MoleCode a systématiquement surpassé SMILES et SELFIES, en particulier dans les tâches nécessitant une généralisation structurelle plutôt qu'une mémorisation.
- Molécules inconnues : La précision sur les molécules nouvelles est restée stable (~76–80 %) avec MoleCode, tandis que la précision de SMILES a chuté considérablement (à ~20 %) à mesure que la familiarité diminuait.
- Mise à l'échelle de la complexité : À mesure que la taille et la complexité moléculaires augmentaient (par exemple, nombre de carbones >50), les performances de SMILES se sont dégradées de manière monotone, tandis que MoleCode maintenait une haute précision.
- Gains de tâches : La précision de prédiction des réactions pour Gemini-3-Pro est passée de 58,8 % (SMILES) à 95,0 % (MoleCode) ; la prédiction de formules moléculaires est passée de 58,0 % à 90,0 %.
Optimisation moléculaire : Dans l'optimisation guidée par un objectif (LogP et solubilité), MoleCode a permis des modifications plus interprétables chimiquement et localisées.
- Les modèles utilisant MoleCode ont obtenu des améliorations moyennes de propriétés plus élevées (par exemple, +1,15 LogP pour Gemini-2.5-Flash contre 0,0 avec SMILES).
- Les modifications ont préservé la similarité structurelle (similarité de Tanimoto) tout en ciblant des changements de propriétés spécifiques, tandis que SMILES produisait souvent des candidats structurellement dégradés.
Efficacité de l'inférence : Bien que les entrées MoleCode soient plus longues, elles modifient le profil de coût d'inférence.
- Allocation de jetons : MoleCode réduit le besoin de traces de raisonnement de type Chaîne de Pensée (CoT) longues consacrées à la reconstruction de la topologie. Le coût en jetons CoT a évolué de manière sous-linéaire ( $C^{0,52}$ ) avec la taille moléculaire, comparé à une croissance superlinéaire pour SMILES ( $C^{1,65}$ ).
- Productivité : Un raisonnement plus long avec MoleCode était corrélé positivement au succès de l'optimisation, tandis qu'un raisonnement plus long avec SMILES ne l'était pas.
Polymères et structures d'ordre supérieur :
- Polymères : MoleCode a maintenu une précision quasi parfaite dans le comptage des carbones et l'édition pour les polymères avec plus de 250 unités de répétition, là où les chaînes complètes SMILES s'effondraient.
- Markush et mécanismes : MoleCode a nettement surpassé E-SMILES dans l'analyse des structures Markush (précision passant de 38,1 % à 84,0 %) et a amélioré la précision dans la représentation des mécanismes réactionnels et des chemins de transfert d'électrons.
- Analyse multimodale : Analyse réussie d'articles de recherche complexes nouvellement publiés et de divulgations de brevets en graphes structurels unifiés, préservant les relations entre le texte et les images.

Signification et revendications

L'article soutient que l'interface entre les objets scientifiques et les LLM ne devrait pas traiter la structure comme quelque chose à décoder à partir du texte. Lorsque l'objet du raisonnement est relationnel, la structure elle-même doit faire partie du langage.

Recadrage de la représentation : Les auteurs affirment que les représentations façonnent les capacités de raisonnement. En rendant la topologie explicite, MoleCode permet aux LLM d'opérer directement sur les atomes et les liaisons, réallouant l'effort computationnel de la reconstruction structurelle vers des opérations chimiquement significatives.
Principe général : Cette approche suggère un principe plus large pour les interfaces de langage scientifique : la compression d'objets relationnels en séquences implicites force les modèles à récupérer la structure avant de l'utiliser. Exposer la structure directement permet aux LLM d'appliquer leurs capacités de raisonnement plus fiablement dans des domaines scientifiques structurés.
Impact pratique : L'intégration de MoleCode dans AtomFlow (un système agentique) démontre comment les langages explicites aux graphes peuvent faire passer la chimie basée sur les LLM du prompting au niveau moléculaire à l'interaction au niveau atomique, soutenant des tâches telles que l'édition en langage naturel et la planification de rétrosynthèse.

Les auteurs restent modestes, notant que MoleCode ne crée pas de connaissances chimiques qu'un modèle ne possède pas et que les modèles plus petits peuvent toujours générer des structures invalides. Ils suggèrent que la prochaine étape consiste à intégrer des représentations explicites aux graphes dans le pré-entraînement pour apprendre des domaines structurés dès le départ.