グラフベースツールを用いた小規模言語モデルによる分子特性予測の改善

人工知能を活用した創薬研究において、分子特性の予測は重要な課題です。大規模言語モデルが多くの分野で成功を収める一方、小規模言語モデル（SLM）は計算コストが低いためゼロショット予測に有望視されていますが、分子の三次元トポロジー構造を理解できない「構造的盲点」を抱えています。従来、グラフニューラルネットワーク（GNN）は分子グラフを直接モデル化することで優れた性能を発揮してきましたが、SLMは主にSMILES文字列に依存するため、グラフトポロジーの重要な手がかりを捉えきれません。

この問題に対処するため、ギリシャの研究チームはモジュール型のコンテキスト拡張プロンプトフレームワークを提案しました。このフレームワークは、推論時にSLMが外部ツールを呼び出すことを可能にします。具体的には、訓練済みのGNNエキスパートモデルが入力分子に対して信頼度付きの予測ヒントを提供し、別のGNNがインスタンス固有の説明用サブグラムを抽出します（サブグラフSMILESと説明文を含む）。これらのグラフ由来の文脈をプロンプトに組み込むことで、SLMの予測精度が向上します。

研究者らは、MUTAGとTox21の2つのデータセットにおいて、3種類の一般的なSLMを対象に、SMILESのみから全ツール使用までの5つのプロンプト構成で評価を行いました。その結果、グラフ情報を追加することで精度が顕著に向上し、相対改善率は25%を超え、Tox21では最大74%に達しました。さらに、必要性ベースのエッジ削除介入により、抽出されたモチーフが分子機能と関連していることが確認されました。

しかし、専用GNNモデルとの間には依然として有意な性能差が存在し、テキスト条件付き推論が分子構造理解において持つ価値と限界が浮き彫りになりました。それでも、この研究は記号的推論とサブシンボリック手法を組み合わせた新たなアプローチを示しており、化学AI分野でのさらなる革新が期待されます。