Resumo Técnico: MoleCode Desbloqueia Inteligência Estrutural em Modelos de Linguagem de Grande Escala

Declaração do Problema

Modelos de Linguagem de Grande Escala (LLMs) estão sendo cada vez mais aplicados à ciência molecular, mas enfrentam um problema fundamental de interface: as moléculas são inerentemente grafos (nós e arestas), mas a representação dominante, SMILES, as codifica como strings lineares unidimensionais. No SMILES, conectividade, ramificações e fechamentos de anéis são implícitos, exigindo que o modelo reconstrua internamente a topologia molecular antes de poder realizar raciocínio químico. Esse gargalo de "reconstrução estrutural" força os LLMs a decodificar sintaxe em vez de operar diretamente sobre a estrutura, levando à degradação do desempenho em tarefas que exigem consciência topológica, como prever reações, contar átomos em anéis complexos ou editar moléculas desconhecidas. Abordagens atuais, incluindo Redes Neurais em Grafos (GNNs) e sistemas híbridos, ou carecem de capacidades de raciocínio geral ou comprimem informações de grafos em vetores/sequências, perdendo localidade e editabilidade.

Metodologia: MoleCode

Os autores apresentam o MoleCode, uma linguagem molecular nativa de LLM, sem necessidade de treinamento e explícita em grafos, projetada para tornar a topologia molecular diretamente legível e operável dentro do contexto da linguagem.

• Gramática e Primitivas: O MoleCode é construído sobre uma gramática simples Subgrafo–Nó–Aresta:
  • Subgrafo: Define escopos estruturais (por exemplo, uma molécula inteira, uma unidade repetitiva ou um esqueleto Markush).
  • Nó: Representa entidades tipificadas (átomos ou grupos químicos de nível superior) com identificadores persistentes que permanecem estáveis entre etapas de raciocínio.
  • Aresta: Codifica relações explícitas (ligações) entre nós, incluindo ordem de ligação (simples, dupla, tripla, aromática).
• Representação Explícita: Diferentemente do SMILES, onde a topologia é inferida a partir da posição na sequência, o MoleCode declara a conectividade diretamente. Por exemplo, um átomo é declarado com um ID, e as ligações são explicitamente vinculadas aos IDs de origem e destino.
• Conversão Determinística: O MoleCode suporta conversão bidirecional e determinística com formatos padrão (SMILES, arquivos MOL) sem perda de informações estruturais, utilizando o RDKit para análise e serialização.
• Extensibilidade: A gramática se estende além de pequenas moléculas para:
  • Polímeros: Representados como subgrafos explícitos com operadores de multiplicidade (por exemplo, $\times n$) em vez de cadeias expandidas.
  • Estruturas Markush: Substituintes variáveis e relações lógicas são codificados como nós e arestas explícitos.
  • Mecanismos de Reação: Representados como sequências de transformações de grafos (estados e caminhos de transferência de elétrons).
  • Documentos Multimodais: Analisa texto e imagens intercalados de patentes e artigos de pesquisa em grafos estruturais unificados.

Principais Contribuições

1. Um Novo Paradigma de Representação: O MoleCode desloca a representação molecular de sintaxe sequencial implícita para objetos de grafos explícitos e editáveis dentro da janela de contexto do LLM.
2. Integração sem Treinamento: Não requer modificação dos pesos do LLM; funciona como uma estratégia de engenharia de prompts que desbloqueia inteligência estrutural em modelos de fronteira existentes.
3. Habilitação de Fluxos de Trabalho Agentes: A natureza explícita do MoleCode permite operações de grafos localizadas e auditáveis, permitindo que agentes de codificação raciocinem, editem e validem estruturas moleculares iterativamente.
4. Interface Unificada: Fornece uma única linguagem para diversos objetos químicos, desde pequenas moléculas até polímeros, mecanismos de reação e documentos científicos complexos.

Resultados

Os autores avaliaram o MoleCode em três LLMs de fronteira (DeepSeek-R1, Gemini-2.5-Flash, Gemini-3-Pro) e múltiplos benchmarks:

• Raciocínio Molecular: O MoleCode superou consistentemente o SMILES e o SELFIES, particularmente em tarefas que exigem generalização estrutural em vez de memorização.
  • Moléculas Desconhecidas: A precisão em moléculas novas permaneceu estável (~76–80%) com o MoleCode, enquanto a precisão do SMILES caiu significativamente (para ~20%) à medida que a familiaridade diminuía.
  • Escalonamento de Complexidade: À medida que o tamanho e a complexidade molecular aumentavam (por exemplo, contagem de carbono >50), o desempenho do SMILES degradou-se monotonicamente, enquanto o MoleCode manteve alta precisão.
  • Ganhos em Tarefas: A precisão na previsão de reações para o Gemini-3-Pro melhorou de 58,8% (SMILES) para 95,0% (MoleCode); a previsão de fórmula molecular subiu de 58,0% para 90,0%.
• Otimização Molecular: Na otimização orientada a objetivos (LogP e solubilidade), o MoleCode permitiu edições mais interpretáveis quimicamente e localizadas.
  • Modelos usando MoleCode alcançaram maiores melhorias médias nas propriedades (por exemplo, +1,15 LogP para o Gemini-2.5-Flash versus 0,0 com SMILES).
  • As edições preservaram a similaridade estrutural (similaridade Tanimoto) ao direcionar mudanças específicas de propriedades, enquanto o SMILES frequentemente produzia candidatos estruturalmente degradados.
• Eficiência de Inferência: Embora as entradas do MoleCode sejam mais longas, elas alteram o perfil de custo de inferência.
  • Alocação de Tokens: O MoleCode reduz a necessidade de longos rastros de raciocínio em Cadeia de Pensamento (CoT) dedicados à reconstrução de topologia. O custo de tokens do CoT escalou sublinearmente ($C^{0,52}$) com o tamanho molecular, comparado ao crescimento superlinear do SMILES ($C^{1,65}$).
  • Produtividade: Raciocínio mais longo com MoleCode correlacionou-se positivamente com o sucesso da otimização, enquanto raciocínio mais longo com SMILES não o fez.
• Polímeros e Estruturas de Ordem Superior:
  • Polímeros: O MoleCode manteve precisão quase perfeita na contagem de carbono e edição para polímeros com >250 unidades repetitivas, onde cadeias completas em SMILES colapsaram.
  • Markush e Mecanismos: O MoleCode superou substancialmente o E-SMILES na análise de estruturas Markush (precisão de 38,1% para 84,0%) e melhorou a precisão na representação de mecanismos de reação e caminhos de transferência de elétrons.
  • Análise Multimodal: Analisou com sucesso artigos de pesquisa recém-publicados complexos e divulgações de patentes em grafos estruturais unificados, preservando relações entre texto e imagens.

Significado e Alegações

O artigo argumenta que a interface entre objetos científicos e LLMs não deve tratar a estrutura como algo a ser decodificado a partir do texto. Quando o objeto de raciocínio é relacional, a estrutura em si deve fazer parte da linguagem.

• Reenquadramento da Representação: Os autores afirmam que as representações moldam as capacidades de raciocínio. Ao tornar a topologia explícita, o MoleCode permite que os LLMs operem diretamente sobre átomos e ligações, realocando o esforço computacional da reconstrução estrutural para operações quimicamente significativas.
• Princípio Geral: Essa abordagem sugere um princípio mais amplo para interfaces de linguagem científica: comprimir objetos relacionais em sequências implícitas força os modelos a recuperar a estrutura antes de usá-la. Expor a estrutura diretamente permite que os LLMs apliquem capacidades de raciocínio de forma mais confiável em domínios científicos estruturados.
• Impacto Prático: A integração do MoleCode no AtomFlow (um sistema agente) demonstra como linguagens explícitas em grafos podem mover a química baseada em LLMs de prompts em nível de molécula para interação em nível de átomo, apoiando tarefas como edição em linguagem natural e planejamento de retrossíntese.

Os autores permanecem modestos, observando que o MoleCode não cria conhecimento químico que um modelo não possui e que modelos menores ainda podem gerar estruturas inválidas. Eles sugerem que o próximo passo é incorporar representações explícitas em grafos no pré-treinamento para aprender domínios estruturados desde o início.