Resumo Técnico: Representações Moleculares para Grandes Modelos de Linguagem

Declaração do Problema

Os Grandes Modelos de Linguagem (LLMs) estão sendo cada vez mais aplicados à descoberta científica, incluindo tarefas que exigem raciocínio sobre estruturas moleculares, como previsão de reações, análise mecanística e elucidação estrutural. No entanto, os LLMs atuais são modelos baseados em sequências que operam sobre texto, enquanto as moléculas são naturalmente definidas como grafos (átomos como nós, ligações como arestas). Consequentemente, os grafos moleculares devem ser serializados em formatos baseados em texto para processamento por LLMs.

Embora estudos anteriores em química tenham utilizado predominantemente strings SMILES ou nomes IUPAC como interface entre LLMs e estruturas moleculares, a adequação desses formatos para o raciocínio de LLMs não foi sistematicamente avaliada. Esses formatos foram originalmente projetados para fluxos de trabalho tradicionais de quimioinformática e interpretação humana, impondo restrições sintáticas e semânticas rigorosas (por exemplo, regras de travessia para SMILES, regras de nomenclatura para IUPAC) que podem não alinhar-se com as forças arquitetônicas dos LLMs. Esse desalinhamento limita potencialmente a confiabilidade dos LLMs na interpretação e geração de grafos moleculares.

Metodologia

Para abordar essa lacuna, os autores introduziram o MolJSON, um novo esquema JSON estruturado projetado especificamente como formato de entrada e saída para LLMs. O estudo comparou sistematicamente o MolJSON contra cinco representações químicas estabelecidas: SMILES, nomes IUPAC, SELFIES, InChI e MOL V2000.

O Esquema MolJSON

O MolJSON representa moléculas como objetos JSON contendo listas explícitas de átomos e ligações, em vez de depender de travessia linear ou nomenclatura baseada em regras.

• Átomos: Definidos por um identificador único e um símbolo do elemento.
• Ligações: Definidas por pares de identificadores de átomos e uma ordem de ligação.
• Campos Opcionais: Inclui campos esparsos para cargas formais não nulas e hidrogênios explícitos em átomos de nitrogênio aromático para garantir a atribuição correta de valência.
• Filosofia de Design: A identidade molecular é definida diretamente pelos conjuntos de átomos e ligações, independentemente da ordenação dos arrays, eliminando a necessidade de travessias específicas de grafos.

Design do Benchmark

Os autores construíram um benchmark composto por 78.045 perguntas geradas algoritmicamente para isolar o impacto da representação no desempenho do LLM, evitando fatores de confusão provenientes de conhecimento especializado em química. A avaliação utilizou quatro modelos: GPT-5-nano, GPT-5-mini, GPT-5 e Claude Haiku 4.5. As tarefas incluíram:

1. Tradução Molecular: Converter uma molécula de um formato para outro (por exemplo, IUPAC para SMILES). A precisão foi medida pela equivalência molecular exata usando SMILES canônicos e RDKit.
2. Raciocínio de Caminho Mais Curto: Dada uma molécula, o modelo deve determinar o número de ligações no caminho mais curto entre dois átomos de halogênio específicos.
3. Geração Molecular Constrained: O modelo deve gerar uma molécula satisfazendo restrições específicas (por exemplo, presença de halogênios específicos, contagens de anéis, topologias e comprimentos de caminho).

Os dados foram obtidos do banco de dados PubChem (moléculas depositadas entre outubro de 2025 e dezembro de 2025) para minimizar a contaminação pelos dados de treinamento do modelo. Moléculas com estereoquímica, sais ou elementos inorgânicos foram excluídas.

Principais Resultados

O estudo observou variação substancial no desempenho dos LLMs dependendo da representação molecular utilizada, com o MolJSON superando consistentemente os formatos existentes em todas as tarefas e modelos.

1. Tradução Molecular

• Desempenho de Saída: Ao gerar saídas, o MolJSON superou significativamente o SMILES e o IUPAC. Para o GPT-5, converter nomes IUPAC para MolJSON alcançou 71,0% de precisão, comparado a 43,7% para converter IUPAC para SMILES. Da mesma forma, a tradução SMILES para MolJSON atingiu 92,3% de precisão, versus 43,5% para SMILES para IUPAC.
• Desempenho de Entrada: O MolJSON também serviu como um formato de entrada superior. Ao gerar saídas SMILES, a precisão melhorou de 43,7% (entrada IUPAC) para 48,3% (entrada MolJSON).

2. Raciocínio de Caminho Mais Curto

• O MolJSON foi o formato de entrada mais confiável para raciocínio em grafos. O GPT-5 alcançou 98,5% de precisão com entradas MolJSON, comparado a 92,2% para SMILES e 82,7% para IUPAC.
• Eficiência: O MolJSON exigiu significativamente menos tokens de raciocínio. O GPT-5 usou uma média de 1.021 tokens com entradas MolJSON versus 1.854 tokens com SMILES, sugerindo que SMILES e IUPAC exigem que o modelo reconstrua o grafo antes de raciocinar, uma etapa propensa a erros.
• Modos de Falha: O desempenho do IUPAC degradou-se significativamente com sistemas de anéis fundidos (caindo para 66,2% de precisão para anéis fundidos versus 96,9% para não fundidos), enquanto o MolJSON permaneceu robusto (98,5% para ambos).

3. Geração Constrained

• O MolJSON foi o formato de saída mais confiável para gerar moléculas sob restrições. O GPT-5 alcançou 95,3% de precisão com MolJSON, comparado a 76,3% para IUPAC e 64,0% para SMILES.
• A vantagem foi particularmente pronunciada para topologias complexas. Para sistemas de anéis fundidos, o GPT-5 alcançou 92% de precisão com MolJSON, versus 42% para SMILES e 56% para IUPAC.

4. Análise de Erros

Erros sistemáticos foram observados para SMILES e IUPAC relacionados ao tamanho molecular e complexidade de anéis.

• SMILES: Os erros frequentemente decorreram de violações de sintaxe e moléculas inválidas, sugerindo que as restrições de travessia rigorosas do formato são desafiadoras para os LLMs manterem.
• IUPAC: Os erros estavam fortemente associados a sistemas de anéis fundidos e regras complexas de nomenclatura.
• MolJSON: Demonstrou robustez a esses modos de falha. Os autores observam que a flexibilidade do MolJSON permite que os LLMs usem identificadores de átomos "ricos" (por exemplo, abreviações de grupos funcionais) que podem atuar como "tokens de grafo" no processo de raciocínio do modelo, uma capacidade não disponível em formatos rígidos como SMILES ou IUPAC.

Significado e Alegações

O artigo afirma que a escolha da representação molecular tem um impacto material na capacidade dos LLMs de interpretar e gerar grafos moleculares. Os autores argumentam que:

1. Codificações Explícitas de Grafos são Superiores: Formatos que codificam explicitamente átomos e ligações (como MolJSON) estão intrinsecamente melhor alinhados com os LLMs atuais do que formatos serializados (SMILES) ou nomenclatura baseada em regras (IUPAC).
2. Desempenho sem Treinamento Explícito: Apesar de SMILES e IUPAC serem ubíquos nos dados de treinamento, o MolJSON superou-os sem qualquer treinamento explícito no formato, sugerindo que a vantagem estrutural é inerente à representação.
3. Fundação para Sistemas Agentes: À medida que sistemas baseados em LLMs em química avançam em direção à descoberta autônoma, a confiabilidade da interação molecular é crítica. Os autores sugerem que representações estruturadas como MolJSON devem ser adotadas para o desenvolvimento de sistemas químicos baseados em LLMs.

Os autores posicionam o MolJSON como um ponto de partida para representações moleculares orientadas a LLMs, em vez de um formato final definitivo, observando melhorias potenciais, como um melhor tratamento de estereoquímica e coordenadas atômicas. O estudo conclui que explorar representações moleculares adaptadas especificamente para LLMs é uma direção promissora para o campo.