ToxiMol：MLLM 能否完成结构级分子毒性修复？
Breaking Bad Molecules: Are MLLMs Ready for Structure-Level Molecular Detoxification?
研究提出 ToxiMol，首个面向通用多模态大语言模型（MLLM）的分子毒性修复基准任务，构建覆盖 11 类任务、660 个毒性分子的数据集，并配套自动化评估框架 ToxiEval。团队系统评测 43 个主流通用 MLLM，结果显示模型在该任务上仍面临显著挑战，但在毒性理解、语义约束遵循和结构感知编辑上已显现潜力。
作者：Fei Lin、Ziyang Gong、Cong Wang、Tengchao Zhang、Yonglin Tian、Yining Jiang、Ji Dai、Chao Guo、Xiaotong Yu、Xue Yang、Gen Luo、Fei-Yue Wang
摘要：毒性仍是早期药物开发失败的主要原因之一。尽管分子设计与性质预测取得了进展，但分子毒性修复任务——即生成结构有效且毒性降低的分子替代方案——尚未被系统定义或建立基准。为填补这一空白，我们提出了 ToxiMol，这是首个面向通用多模态大语言模型（MLLMs）、聚焦分子毒性修复的基准任务。我们构建了一个标准化数据集，涵盖 11 项主要任务和 660 个代表性毒性分子，涉及多种机制与粒度。我们基于专家毒理学知识，设计了一套具备机制感知与任务自适应能力的提示标注流程。同时，我们提出了自动化评估框架 ToxiEval，将毒性终点预测、合成可及性、类药性和结构相似性整合为一条用于修复成功的高通量评估链。我们系统评估了 43 个主流通用 MLLMs，并开展了多项消融研究，以分析评估指标、候选多样性、失败归因等关键问题。实验结果表明，尽管当前 MLLMs 在该任务上仍面临重大挑战，但它们在毒性理解、语义约束遵循和结构感知编辑方面已开始展现出令人期待的能力。
| 评论： | 已被 KDD 2026 接收（AI for Sciences Track，Oral） |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用格式： | arXiv:2506.10912 [cs.AI] |
| （或本版本使用 arXiv:2506.10912v5 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2506.10912 arXiv 颁发的 DOI，经由 DataCite |
|
| 期刊 参考： | Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), Jeju Island, Republic of Korea, pp. 11399-11410, 2026 |
| 相关 DOI： | https://doi.org/10.1145/3770855.3818840
链接到相关资源的 DOI |
提交历史
来自：Fei Lin [查看邮箱]
[v1]
2025 年 6 月 12 日星期四 17:25:53 UTC（1,414 KB）
[v2]
2025 年 6 月 18 日星期三 14:00:37 UTC（1,414 KB）
[v3]
2026 年 1 月 28 日星期三 17:20:25 UTC（1,937 KB）
[v4]
2026 年 6 月 2 日星期二 18:21:07 UTC（1,938 KB）
[v5]
2026 年 11 月 4 日星期三 18:36:42 UTC（1,960 KB）
来源：arXiv cs.CL · arxiv.org