技术摘要：SpecX——面向多模态光谱与跨范式评估的大规模基准

1. 问题陈述

现有的光谱机器学习基准存在三个关键局限性，阻碍了鲁棒、可泛化的化学人工智能的发展：

1. 规模与模态覆盖不足：当前数据集通常包含的分子数量少于百万级，且遗漏了紫外 - 可见光（UV-Vis）、荧光和拉曼光谱等实际重要的模态。这种规模不足以训练具有鲁棒泛化能力的基础模型。
2. 缺乏实验依据的评估：大多数大规模数据集完全依赖模拟光谱。由于溶剂效应、仪器响应和温度展宽等因素，这些模拟数据与实验数据存在系统性偏差，造成了显著的“模拟到现实”差距。目前没有任何基准提供系统对齐的实验子集。
3. 跨范式评估碎片化：该领域分裂为专注于信号级精度的专用光谱模型（如 MassSpecGym、NMRNet），它们忽略了多模态大语言模型（MLLMs）；以及面向 MLLM 的基准（如 SpectrumBench），它们评估高层推理能力但缺乏严格的信号级协议。目前尚无统一框架将这两种范式进行并列比较。

2. 方法论与数据集构建

作者引入了 SpecX，这是一个包含 170 万个分子的大规模基准，涵盖八种光谱模态：¹H-NMR、¹³C-NMR、HSQC-NMR、IR、MS、UV-Vis、Raman 和荧光（FL）。

数据整理与过滤

• 来源整合：分子从五个公共存储库（QME14S、ViBench、ChEMBL、Multimodal Spectroscopic Dataset、MassSpecGym）中聚合，形成约 273 万个唯一 SMILES 的初始池。
• 过滤流程：多阶段过滤器确保了化学有效性和光谱可计算性：
  • 保留重原子数为 5–35 的分子。
  • 限制元素组成为 {C, H, O, N, S, P, Si, B, F, Cl, Br, I}。
  • 针对特定模态强制执行物理意义（例如，要求 UV/FL 模拟具备发色团/荧光团）。
  • 结果：保留 1,701,739 个分子（保留率 62.36%）。

三层架构

SpecX 组织为三个不同的层级，以支持研究的不同阶段：

1. 大型子集（约 100 万个分子）：用于预训练及涉及结构解析、光谱模拟和官能团预测任务的模拟数据集。它涵盖七种模态（基准测试中排除 FL）。
2. 小型子集（4,496 个分子）：严格模态对齐的多光谱子集，其中每个分子均提供全部七种模态。此子集用于多模态问答（QA）和跨模态评估。
3. Exp 子集（432 个分子）：包含实验测量光谱（仅限 UV-Vis 和 MS）的高质量子集，用于评估现实世界的泛化能力及模拟到现实的差距。

数据生成协议

光谱使用模态特定的模拟协议生成，以在物理真实性和计算可扩展性之间取得平衡：

• NMR：使用 MestReNova 模拟（CDCl₃溶剂）。
• IR：通过 LAMMPS 中的分子动力学（MD）模拟生成，使用 GAFF 力场，随后对偶极矩轨迹进行傅里叶变换。
• MS/MS：使用 CFM-ID 模拟，固定碰撞能量为 20 eV。
• UV-Vis、Raman、Fluorescence：使用 ORCA 包中的含时密度泛函理论（TD-DFT）和 DFT 频率计算进行计算。

数据表示

为了支持 Transformer 架构的训练，光谱数据被转换为结构化文本表示：

• 基于峰（NMR、MS）：编码为属性列表（例如，化学位移、多重性、积分、m/z、强度）。
• 连续型（IR、UV-Vis、Raman）：离散化为固定长度的强度标记向量。

3. 评估任务与模型

SpecX 定义了四项评估任务，在随机划分（分布内插值）和骨架划分（基于 Bemis–Murcko 骨架的分布外泛化）两种情况下进行评估。

1. 结构解析（光谱 → SMILES）：根据光谱输入预测分子结构。
   • 模型：在单个和组合模态上训练的普通编码器 - 解码器 Transformer。
2. 官能团预测：根据光谱对官能团进行多标签分类。
   • 模型：XGBoost（基于工程特征）和 1D-CNN（基于原始光谱向量）。分子式被 withheld 以模拟盲分析。
3. 光谱模拟（SMILES → 光谱）：根据分子结构生成预期光谱。
   • 模型：逆向 Transformer 架构。
4. 光谱问答（QA）：评估 MLLM 的化学推理能力。
   • 模型：DeepSeek-V3、GPT-4.1-mini 和 Qwen2.5-3B，采用零样本设置。
   • 任务：(a) 从光谱推断 SMILES；(b) 官能团推断。输入以结构化文本形式提供（无图像），且无分子式先验。

4. 关键结果

专用模型与 MLLM 的对比

• 信号级建模：专用模型（Transformer、XGBoost、1D-CNN）在信号级任务中表现出色。在结构解析任务中，多模态集成在大型子集上实现了 59.04%（随机划分）和 29.66%（骨架划分）的 Top-1 准确率。NMR 模态（¹H、¹³C）在单模态中表现最佳。
• 高层推理：MLLM 展现了强大的高层推理能力，但在精确的光谱落地方面表现显著失败。
  • 结构解析：MLLM 在小型子集上的 Top-1 准确率接近零（例如，DeepSeek-V3 在¹H-NMR 上为 0.6%），在实验 Exp 子集上为 0.000%。
  • 官能团推断：虽然 MLLM 显示出表面准确率（0.75–0.87），但其宏平均 F1 分数远低于专用基线（例如，DeepSeek-V3 在¹H-NMR 上为 0.379，而 XGBoost 为 0.824）。Qwen2.5-3B 的 F1 分数崩溃至零，对所有样本均预测为“否”。

泛化与模态性能

• 分布外泛化：在所有任务中，骨架划分下的性能下降显著，突显了向结构新颖的化学空间泛化的难度。
• 模态特异性：拉曼和红外光谱在官能团预测中产生了最高的 F1 分数（高达 0.97），而 UV-Vis 由于电子跃迁宽泛，在识别多样化官能团方面仍是最弱的模态。
• 模拟到现实的差距：MLLM 在实验 Exp 子集上的完全失败（0.000 准确率）强调了当前模型无法从模拟训练数据迁移到现实世界实验光谱的现状。

5. 意义与主张

本文声称 SpecX 建立了一个统一的光谱智能基准，弥合了专用光谱模型与通用 MLLM 之间的差距。

• 统一评估：这是首个能够在大规模多模态数据集上实现信号级精度（专用模型）与高层推理（MLLM）并列比较的基准。
• 突出领域差距：结果明确表明，虽然 MLLM 具备推理能力，但它们缺乏化学任务所需的精确光谱落地能力，特别是在从模拟转向现实时。
• 呼吁光谱原生模型：作者认为，观察到的局限性 necessitate 开发“光谱原生基础模型”，将信号级连续光谱编码器与高层离散推理模块紧密耦合，而不是仅仅依赖通用的多模态预训练。
• 未来研究的基础：通过提供大规模、对齐且基于实验的数据集，SpecX 旨在催化自动化化学发现和模拟到现实差距研究方面的进展。

文章最后对其局限性保持谦逊，承认了对模拟数据的依赖、对合成化合物的偏见，以及实验数据目前仅限于 UV-Vis 和 MS 的现状。作者提出，未来的工作必须扩大实验覆盖范围，并探索约束解码或工具使用插件，以提高 MLLM 在严格化学任务上的表现。