🧬 biology

MoleCode unlocks structural intelligence in large language models

MoleCode introduce un linguaggio molecolare esplicito basato su grafi, privo di addestramento, che sostituisce le rappresentazioni lineari implicite come SMILES con relazioni strutturali esplicite, consentendo ai grandi modelli linguistici di ragionare e manipolare direttamente la topologia molecolare per migliorare le prestazioni in compiti chimici complessi.

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

Pubblicato 2026-05-19

📖 5 min di lettura🧠 Approfondimento

CC0 1.0

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

Articolo originale dedicato al pubblico dominio sotto CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Il Problema: La "Scatola Misteriosa" delle Molecole

Immagina di essere un architetto che cerca di costruire una casa, ma invece di ricevere una piantina con muri, porte e finestre ben definiti, qualcuno ti consegna una singola frase lunga che descrive la casa.

"Inizia con un mattone, vai a sinistra, gira a destra, metti una finestra qui, poi una porta, quindi un anello di mattoni che si collega di nuovo all'inizio..."

È così che i modelli di intelligenza artificiale attuali (Large Language Models o LLM) vedono solitamente le molecole. Il modo standard per scrivere una molecola si chiama SMILES. È una stringa di testo compatta che nasconde la vera forma tridimensionale e le connessioni della molecola all'interno di una riga di codice.

Quando un'IA cerca di comprendere una molecola scritta in SMILES, deve eseguire un gran numero di acrobazie mentali. Deve leggere la frase, fermarsi e dire: "Aspetta, lasciami ricostruire l'intera casa nella mia mente prima di dirti se il tetto è sicuro o se posso aggiungere una nuova stanza". Questo passaggio di "ricostruzione" è lento, soggetto a errori e diventa molto più difficile quando la casa (la molecola) è enorme o quando l'IA non ha mai visto quel progetto specifico prima d'ora.

La Soluzione: MoleCode (La "Piantina Lego")

I ricercatori hanno introdotto un nuovo linguaggio chiamato MoleCode. Immagina MoleCode non come una frase, ma come un manuale di istruzioni digitale per la Lego o un foglio di calcolo.

Invece di una frase lunga e confusa, MoleCode elenca esplicitamente ogni singolo pezzo (atomo) e ogni connessione (legame).

Atomo 1 è un Carbonio.
Atomo 2 è un Ossigeno.
Connessione: L'Atomo 1 è collegato all'Atomo 2.

In questo formato, la "piantina" è proprio lì davanti all'IA. Non ha bisogno di indovinare o ricostruire la forma; la forma è già visibile e modificabile.

Cosa è Succeso Quando l'Hanno Provato?

Il team ha testato questo nuovo linguaggio su diversi compiti utilizzando modelli di intelligenza artificiale all'avanguardia. Ecco cosa hanno scoperto, usando semplici paragoni:

1. Risolvere Enigmi (Ragionamento)

Il Vecchio Metodo: Quando veniva chiesto di contare le finestre in una casa complessa e sconosciuta, l'IA che usava SMILES spesso si perdeva nella frase lunga e dava la risposta sbagliata.
Il Metodo MoleCode: Con MoleCode, l'IA poteva semplicemente guardare l'elenco dei pezzi e contarli istantaneamente. L'IA è diventata significativamente migliore in compiti come la previsione delle reazioni chimiche o il conteggio degli atomi, specialmente per molecole complesse o sconosciute.

2. Ristrutturare Case (Ottimizzazione)

Il Vecchio Metodo: Se si chiedeva all'IA di "rendere questa casa più efficiente dal punto di vista energetico", a volte abbatté l'intera struttura e ne costruì una totalmente diversa, oppure apportò modifiche che rovinavano la casa.
Il Metodo MoleCode: Poiché l'IA poteva vedere esattamente quale "mattone" (atomo) si trovava dove, ha apportato piccole modifiche precise (come sostituire una finestra con una migliore) che miglioravano la casa senza distruggere la struttura. Ha apportato modifiche più intelligenti e sicure.

3. Pensare Più Velocemente (Efficienza)

Il Vecchio Metodo: L'IA spendeva la maggior parte del suo "tempo di pensiero" solo cercando di capire come fosse fatta la molecola. Era come uno studente che passa 10 minuti a disegnare la mappa prima di risolvere il problema di matematica.
Il Metodo MoleCode: L'IA ha passato meno tempo a disegnare la mappa perché la mappa era già lì. Anche se le "istruzioni" di MoleCode erano più lunghe da leggere, l'IA ha passato meno tempo a pensare, risultando in un processo totale più veloce e accurato.

4. Costruire Grattacieli (Polimeri)

Il Vecchio Metodo: I polimeri sono come enormi catene di anelli ripetuti. Scriverli in una frase (SMILES) crea un blocco di testo enorme e illeggibile. L'IA si confondeva e falliva.
Il Metodo MoleCode: MoleCode tratta queste catene come un'istruzione "Ripeti questo blocco 100 volte". L'IA poteva gestire perfettamente queste strutture giganti e ripetitive, mentre il vecchio metodo crollava sotto il peso del testo lungo.

5. Leggere Documenti Complessi
I ricercatori hanno anche dimostrato che MoleCode funziona non solo per singole molecole. Può leggere documenti scientifici e brevetti che mescolano testo con diagrammi, trasformandoli in un singolo grafico organizzato. Può persino gestire le "strutture Markush" (formule chimiche con parti variabili, come "aggiungi qui qualsiasi frutta"), che sono molto difficili da descrivere per i formati di testo standard.

La Grande Lezione

La lezione principale di questo documento riguarda come parliamo all'IA della scienza.

Attualmente, costringiamo l'IA a tradurre forme scientifiche in testo, e poi a tradurre quel testo di nuovo in forme nella sua mente. Questo documento sostiene che se l'oggetto che stiamo studiando è una struttura (come una molecola), dovremmo dare all'IA un linguaggio strutturale con cui lavorare.

Passando dalle "frasi misteriose" (SMILES) alle "piantine esplicite" (MoleCode), l'IA smette di sprecare energia nell'indovinare come appare la molecola e inizia a usare il suo cervello per risolvere effettivamente problemi chimici.

Nota sulle Limitazioni: Il documento chiarisce che MoleCode non dà magicamente all'IA nuove conoscenze chimiche che non possedeva già. Se l'IA non conosce la chimica, non conoscerà comunque la chimica. Tuttavia, permette all'IA di utilizzare le conoscenze che ha in modo molto più efficace. Inoltre, il nuovo linguaggio è più lungo da digitare rispetto a quello vecchio, ma il compromesso ne vale la pena perché l'IA pensa meno e ottiene di più.

Riepilogo Tecnico: MoleCode Sblocca l'Intelligenza Strutturale nei Modelli Linguistici di Grande Dimensione

Enunciato del Problema

I Modelli Linguistici di Grande Dimensione (LLM) sono sempre più applicati alla scienza molecolare, ma affrontano un problema fondamentale di interfaccia: le molecole sono intrinsecamente grafi (nodi e archi), ma la rappresentazione dominante, SMILES, le codifica come stringhe lineari unidimensionali. In SMILES, la connettività, i rami e le chiusure di anello sono impliciti, richiedendo al modello di ricostruire internamente la topologia molecolare prima di poter eseguire un ragionamento chimico. Questo collo di bottiglia della "ricostruzione strutturale" costringe gli LLM a decodificare la sintassi invece di operare direttamente sulla struttura, portando a un degrado delle prestazioni in compiti che richiedono consapevolezza topologica, come la previsione di reazioni, il conteggio degli atomi in anelli complessi o la modifica di molecole sconosciute. Gli approcci attuali, comprese le Reti Neurali su Grafo (GNN) e i sistemi ibridi, o mancano di capacità di ragionamento generale o comprimono le informazioni del grafo in vettori/sequenze, perdendo località e modificabilità.

Metodologia: MoleCode

Gli autori introducono MoleCode, un linguaggio molecolare nativo per LLM, privo di necessità di addestramento e esplicito nei grafi, progettato per rendere la topologia molecolare direttamente leggibile e operabile all'interno del contesto linguistico.

Grammatica e Primitive: MoleCode è basato su una semplice grammatica Sottografo–Nodo–Arco:
- Sottografo: Definisce ambiti strutturali (ad esempio, un'intera molecola, un'unità ripetitiva o un impalcatura Markush).
- Nodo: Rappresenta entità tipizzate (atomi o gruppi chimici di livello superiore) con identificatori persistenti che rimangono stabili attraverso i passaggi di ragionamento.
- Arco: Codifica relazioni esplicite (legami) tra i nodi, inclusi l'ordine del legame (singolo, doppio, triplo, aromatico).
Rappresentazione Esplicita: A differenza di SMILES, dove la topologia è inferita dalla posizione nella sequenza, MoleCode dichiara la connettività direttamente. Ad esempio, un atomo viene dichiarato con un ID e i legami sono esplicitamente collegati agli ID di origine e destinazione.
Conversione Deterministica: MoleCode supporta una conversione bidirezionale e deterministica con formati standard (SMILES, file MOL) senza perdita di informazioni strutturali, utilizzando RDKit per l'analisi e la serializzazione.
Estendibilità: La grammatica si estende oltre le piccole molecole a:
- Polimeri: Rappresentati come sottografi espliciti con operatori di molteplicità (ad esempio, $\times n$ ) invece di catene espanso.
- Strutture Markush: Sostituenti variabili e relazioni logiche sono codificati come nodi e archi espliciti.
- Meccanismi di Reazione: Rappresentati come sequenze di trasformazioni del grafo (stati e percorsi di trasferimento di elettroni).
- Documenti Multimodali: Analizza testi e immagini intercalati da brevetti e articoli di ricerca in grafi strutturali unificati.

Contributi Chiave

Un Nuovo Paradigma di Rappresentazione: MoleCode sposta la rappresentazione molecolare dalla sintassi sequenziale implicita a oggetti grafo espliciti e modificabili all'interno della finestra di contesto dell'LLM.
Integrazione Senza Addestramento: Non richiede modifiche ai pesi dell'LLM; funziona come una strategia di ingegneria dei prompt che sblocca l'intelligenza strutturale nei modelli all'avanguardia esistenti.
Abilitazione del Flusso di Lavoro Agente: La natura esplicita di MoleCode consente operazioni locali e verificabili sul grafo, permettendo agli agenti di codifica di ragionare, modificare e validare iterativamente le strutture molecolari.
Interfaccia Unificata: Fornisce un'unica lingua per oggetti chimici diversificati, dalle piccole molecole ai polimeri, ai meccanismi di reazione e ai documenti scientifici complessi.

Risultati

Gli autori hanno valutato MoleCode su tre LLM all'avanguardia (DeepSeek-R1, Gemini-2.5-Flash, Gemini-3-Pro) e su molteplici benchmark:

Ragionamento Molecolare: MoleCode ha costantemente superato SMILES e SELFIES, in particolare in compiti che richiedono generalizzazione strutturale piuttosto che memorizzazione.
- Molecole Sconosciute: L'accuratezza su molecole nuove è rimasta stabile (~76–80%) con MoleCode, mentre l'accuratezza di SMILES è diminuita significativamente (fino a ~20%) all'aumentare della familiarità.
- Scalabilità della Complessità: All'aumentare delle dimensioni e della complessità molecolare (ad esempio, conteggio di carbonio >50), le prestazioni di SMILES sono diminuite monotonicamente, mentre MoleCode ha mantenuto un'alta accuratezza.
- Guadagni nei Compiti: L'accuratezza nella previsione delle reazioni per Gemini-3-Pro è migliorata dal 58,8% (SMILES) al 95,0% (MoleCode); la previsione della formula molecolare è passata dal 58,0% al 90,0%.
Ottimizzazione Molecolare: Nell'ottimizzazione guidata da obiettivi (LogP e solubilità), MoleCode ha consentito modifiche più interpretabili chimicamente e localizzate.
- I modelli che utilizzano MoleCode hanno ottenuto miglioramenti medi delle proprietà superiori (ad esempio, +1,15 LogP per Gemini-2.5-Flash contro 0,0 con SMILES).
- Le modifiche hanno preservato la similarità strutturale (similarità Tanimoto) mentre miravano a cambiamenti specifici delle proprietà, mentre SMILES ha spesso prodotto candidati strutturalmente degradati.
Efficienza dell'Inferenza: Sebbene gli input MoleCode siano più lunghi, spostano il profilo dei costi di inferenza.
- Allocazione dei Token: MoleCode riduce la necessità di lunghe tracce di ragionamento Chain-of-Thought (CoT) dedicate alla ricostruzione della topologia. Il costo dei token CoT è cresciuto in modo sublineare ( $C^{0.52}$ ) con la dimensione molecolare, rispetto alla crescita superlineare per SMILES ( $C^{1.65}$ ).
- Produttività: Un ragionamento più lungo con MoleCode ha mostrato una correlazione positiva con il successo dell'ottimizzazione, mentre un ragionamento più lungo con SMILES non lo ha fatto.
Polimeri e Strutture di Ordine Superiore:
- Polimeri: MoleCode ha mantenuto un'accuratezza quasi perfetta nel conteggio dei carboni e nella modifica per polimeri con >250 unità ripetitive, dove SMILES a catena completa collassava.
- Markush e Meccanismi: MoleCode ha superato sostanzialmente E-SMILES nell'analisi delle strutture Markush (accuratezza dal 38,1% all'84,0%) e ha migliorato l'accuratezza nella rappresentazione dei meccanismi di reazione e dei percorsi di trasferimento di elettroni.
- Analisi Multimodale: Ha analizzato con successo articoli di ricerca complessi e di recente pubblicazione e divulgazioni brevettuali in grafi strutturali unificati, preservando le relazioni tra testo e immagini.

Significato e Affermazioni

Il documento sostiene che l'interfaccia tra oggetti scientifici e LLM non dovrebbe trattare la struttura come qualcosa da decodificare dal testo. Quando l'oggetto del ragionamento è relazionale, la struttura stessa dovrebbe far parte del linguaggio.

Riformulazione della Rappresentazione: Gli autori affermano che le rappresentazioni plasmano le capacità di ragionamento. Rendendo la topologia esplicita, MoleCode permette agli LLM di operare direttamente su atomi e legami, riallocando lo sforzo computazionale dalla ricostruzione strutturale a operazioni chimicamente significative.
Principio Generale: Questo approccio suggerisce un principio più ampio per le interfacce linguistiche scientifiche: comprimere oggetti relazionali in sequenze implicite costringe i modelli a recuperare la struttura prima di utilizzarla. Esporre direttamente la struttura permette agli LLM di applicare le capacità di ragionamento in modo più affidabile in domini scientifici strutturati.
Impatto Pratico: L'integrazione di MoleCode in AtomFlow (un sistema agente) dimostra come i linguaggi espliciti nei grafi possano spostare la chimica basata su LLM dal prompting a livello di molecola all'interazione a livello di atomo, supportando compiti come la modifica in linguaggio naturale e la pianificazione della retrosintesi.

Gli autori rimangono modesti, notando che MoleCode non crea conoscenza chimica che un modello non possiede e che modelli più piccoli potrebbero ancora generare strutture non valide. Suggeriscono che il prossimo passo sia incorporare rappresentazioni esplicithe nei grafi nel pre-addestramento per apprendere domini strutturati fin dall'inizio.