기술 요약: MoleCode 가 대규모 언어 모델의 구조적 지능을 해방하다

문제 정의

대규모 언어 모델 (LLM) 이 분자 과학 분야에 점차 적용되고 있지만, 근본적인 인터페이스 문제에 직면해 있습니다. 분자는 본질적으로 그래프 (노드와 간선) 이지만, 지배적인 표현 방식인 SMILES 는 이를 1 차원 선형 문자열로 인코딩합니다. SMILES 에서는 연결성, 가지, 고리 닫힘이 암시적이므로, 모델이 화학적 추론을 수행하기 전에 내부적으로 분자 위상을 재구성해야 합니다. 이러한 "구조 재구성" 병목 현상은 LLM 이 구조를 직접 조작하는 대신 구문을 해독하도록 강요하여, 위상 인식이 필요한 작업 (예: 반응 예측, 복잡한 고리 내 원자 수 세기, 낯선 분자 편집) 에서 성능 저하를 초래합니다. 그래프 신경망 (GNN) 과 하이브리드 시스템을 포함한 기존 접근법들은 일반 추론 능력이 부족하거나 그래프 정보를 벡터/시퀀스로 압축하여 국소성과 편집 가능성을 상실합니다.

방법론: MoleCode

저자들은 분자 위상을 언어 컨텍스트 내에서 직접 읽을 수 있고 조작할 수 있도록 하는 LLM 네이티브, 훈련 불필요, 그래프 명시적 분자 언어인 MoleCode를 소개합니다.

• 문법과 원시 요소: MoleCode 는 간단한 서브그래프–노드–간선 문법을 기반으로 합니다:
  • 서브그래프: 구조적 범위 (예: 전체 분자, 반복 단위, 또는 Markush 스캐폴드) 를 정의합니다.
  • 노드: 추론 단계 전반에 걸쳐 안정적으로 유지되는 영구 식별자를 가진 타입화된 엔티티 (원자 또는 상위 수준의 화학 그룹) 를 나타냅니다.
  • 간선: 노드 간의 명시적 관계 (결합) 를 인코딩하며, 결합 차수 (단일, 이중, 삼중, 방향족) 를 포함합니다.
• 명시적 표현: 위상이 시퀀스 위치에서 추론되는 SMILES 와 달리, MoleCode 는 연결성을 직접 명시합니다. 예를 들어, 원자는 ID 와 함께 선언되고, 결합은 소스 및 타겟 ID 와 명시적으로 연결됩니다.
• 결정론적 변환: MoleCode 는 RDKit 을 사용한 파싱 및 직렬화를 통해 표준 형식 (SMILES, MOL 파일) 과의 양방향 결정론적 변환을 지원하며, 구조 정보의 손실 없이 이루어집니다.
• 확장성: 이 문법은 작은 분자 다음으로 다음과 같이 확장됩니다:
  • 고분자: 확장된 사슬 대신 반복 단위와 같은 명시적 서브그래프와 반복 연산자 (예, $\times n$) 로 표현됩니다.
  • Markush 구조: 가변 치환체와 논리적 관계는 명시적 노드와 간선으로 인코딩됩니다.
  • 반응 메커니즘: 상태와 전자 이동 경로를 그래프 변환의 시퀀스로 표현합니다.
  • 멀티모달 문서: 특허 및 연구 논문에서 교차된 텍스트와 이미지를 통합된 구조 그래프로 파싱합니다.

주요 기여

1. 새로운 표현 패러다임: MoleCode 는 LLM 컨텍스트 윈도우 내에서 암시적 순차 구문에서 명시적이고 편집 가능한 그래프 객체로 분자 표현을 전환합니다.
2. 훈련 불필요 통합: LLM 가중치 수정이 필요 없으며, 기존 최첨단 모델에서 구조적 지능을 해방시키는 프롬프트 엔지니어링 전략으로 작동합니다.
3. 에이전트 워크플로우 활성화: MoleCode 의 명시적 성격은 국소적이고 감사 가능한 그래프 조작을 가능하게 하여, 코딩 에이전트가 분자 구조를 반복적으로 추론, 편집, 검증할 수 있게 합니다.
4. 통합 인터페이스: 작은 분자부터 고분자, 반응 메커니즘, 복잡한 과학 문서에 이르기까지 다양한 화학 객체를 위한 단일 언어를 제공합니다.

결과

저자들은 세 가지 최첨단 LLM(DeepSeek-R1, Gemini-2.5-Flash, Gemini-3-Pro) 과 여러 벤치마크를 통해 MoleCode 를 평가했습니다:

• 분자 추론: MoleCode 는 암기보다 구조적 일반화가 필요한 작업에서 특히 SMILES 와 SELFIES 를 일관되게 능가했습니다.
  • 낯선 분자: MoleCode 를 사용하면 새로운 분자에 대한 정확도가 안정적으로 유지되었으나 (76–80%), SMILES 는 친숙도가 감소함에 따라 정확도가 크게 떨어졌습니다 (20%).
  • 복잡성 확장: 분자 크기와 복잡성이 증가함에 따라 (예: 탄소 수 >50), SMILES 성능은 단조롭게 저하되었으나 MoleCode 는 높은 정확도를 유지했습니다.
  • 작업 향상: Gemini-3-Pro 의 반응 예측 정확도는 SMILES 기준 58.8% 에서 MoleCode 기준 95.0% 로 향상되었고, 분자식 예측은 58.0% 에서 90.0% 로 상승했습니다.
• 분자 최적화: 목표 지향 최적화 (LogP 및 용해도) 에서 MoleCode 는 더 화학적으로 해석 가능하고 국소적인 편집을 가능하게 했습니다.
  • MoleCode 를 사용한 모델은 더 높은 평균 속성 개선을 달성했습니다 (예: Gemini-2.5-Flash 의 경우 SMILES 대비 0.0 에 비해 LogP +1.15).
  • 편집은 특정 속성 변화를 목표로 하면서도 구조적 유사성 (Tanimoto 유사도) 을 유지했으나, SMILES 는 종종 구조적으로 열화된 후보를 생성했습니다.
• 추론 효율성: MoleCode 입력은 더 길지만 추론 비용 프로파일을 전환합니다.
  • 토큰 할당: MoleCode 는 위상 재구성에 할애된 긴 체인 오브 씽킹 (CoT) 추론 트레일의 필요성을 줄입니다. CoT 토큰 비용은 분자 크기에 따라 초선형 (SMILES 의 $C^{1.65}$에 비해 $C^{0.52}$) 으로 증가했습니다.
  • 생산성: MoleCode 를 사용한 더 긴 추론은 최적화 성공과 양의 상관관계를 보인 반면, SMILES 를 사용한 더 긴 추론은 그렇지 않았습니다.
• 고분자 및 고차 구조:
  • 고분자: 전체 사슬 SMILES 가 붕괴된 250 개 이상의 반복 단위를 가진 고분자에서 탄소 수 세기 및 편집 시 MoleCode 는 거의 완벽한 정확도를 유지했습니다.
  • Markush 및 메커니즘: MoleCode 는 Markush 구조 파싱 (정확도 38.1% 에서 84.0% 로 향상) 과 반응 메커니즘 및 전자 이동 경로 표현 정확도에서 E-SMILES 를 크게 능가했습니다.
  • 멀티모달 파싱: 텍스트와 이미지 간의 관계를 보존하면서 복잡하고 새로 출판된 연구 논문 및 특허 공개 사항을 통합된 구조 그래프로 성공적으로 파싱했습니다.

중요성 및 주장

본 논문은 과학적 객체와 LLM 간의 인터페이스가 구조를 텍스트에서 해독해야 할 것으로 취급해서는 안 된다고 주장합니다. 추론의 대상이 관계적일 때, 구조 자체가 언어의 일부여야 합니다.

• 표현의 재정의: 저자들은 표현이 추론 능력을 형성한다고 주장합니다. 위상을 명시적으로 만듦으로써 MoleCode 는 LLM 이 원자와 결합을 직접 조작할 수 있게 하여, 구조 재구성에서 화학적으로 의미 있는 작업으로 계산 노력을 재배분합니다.
• 일반 원칙: 이 접근법은 과학적 언어 인터페이스에 대한 더 넓은 원칙을 시사합니다. 관계적 객체를 암시적 시퀀스로 압축하는 것은 모델이 이를 사용하기 전에 구조를 복원하도록 강요합니다. 구조를 직접 노출함으로써 LLM 은 구조화된 과학 도메인 전반에 걸쳐 추론 능력을 더 신뢰성 있게 적용할 수 있습니다.
• 실용적 영향: MoleCode 를 AtomFlow(에이전트 시스템) 에 통합한 것은 그래프 명시적 언어가 LLM 기반 화학을 분자 수준 프롬프팅에서 원자 수준 상호작용으로 이동시키는 방법을 보여줍니다. 자연어 편집 및 역합성 계획과 같은 작업을 지원합니다.

저자들은 MoleCode 가 모델이 부족한 화학적 지식을 창출하지 않으며, 더 작은 모델은 여전히 유효하지 않은 구조를 생성할 수 있음을 겸손하게 지적합니다. 그들은 다음 단계는 처음부터 구조화된 도메인을 학습하기 위해 그래프 명시적 표현을 사전 학습에 통합하는 것이라고 제안합니다.