评估 大语言模型 小分子药物设计能力的进展

大语言模型 (LLM) 具有加速小分子药物设计的潜力，因为它们能够推理来自不同来源和格式的信息。然而，由于缺乏反映现实场景的基准，它们的实际效用仍不清楚。在这项工作中，我们介绍了一系列基于化学的任务，涵盖分子特性预测、分子表示转换和分子设计。重要的是，我们将这些任务制定为强化学习 (RL) 环境，从而实现统一的评估方法和 后训练。在三个模型系列中，我们发现前沿模型越来越擅长化学任务，但仍有很大的改进空间，特别是在数据较少的实验环境中。至关重要的是，我们证明基于 RL 的 后训练 可以显着提高性能。尽管基础模型明显较弱，但在我们的环境中进行后训练的较小模型可以与最先进的前沿模型竞争。这提出了在药物发现中使用 LLM 的实用途径；通过将精心设计的评估任务与有针对性的 后训练 相结合，我们可以阐明并缩小关键能力差距。