经分子感知探索的智能体分子恢复

使用大语言模型进行文本引导的分子生成通常会产生无效的 SMILES。我们认为，无效草稿应该通过从以有效性为导向的修复转向保留身份的分子恢复来解决：目标不仅是恢复化学有效性，而且是保留与目标相关的结构线索并恢复描述所暗示的分子身份。这一观点揭示了现有纠正策略的局限性。事后修复可以恢复有效性，同时扭曲关键结构，仅限 LLM 的校正可能会引入意外的全局漂移，而即使配备了可执行的 RDKit 编辑工具，通用代理校正仍然受到贪婪的单候选轨迹的限制。为了解决这些限制，我们提出了 AMREC，它将分子感知的错配跟踪与扩展的候选探索和轨迹级别选择结合起来。在来自三个骨干模型的无效 ChEBI-20 草稿上，AMREC 在结构、精确匹配和字符串级指标上实现了最强的整体恢复概况。