在人工智能辅助药物发现领域，分子属性预测一直是一个核心挑战。尽管大型语言模型在诸多任务上表现出色，但小型语言模型（SLM）因其低计算成本在零样本预测中具有吸引力，然而它们往往对分子的三维拓扑结构缺乏理解，这被称为“结构盲区”。传统上，图神经网络（GNN）通过直接建模分子图结构取得了优异性能，而SLM主要依赖SMILES字符串序列，难以捕捉关键的图拓扑线索。
为弥补这一缺陷，来自希腊的研究团队提出了一种模块化的上下文增强提示框架。该框架赋予SLM在推理时调用外部工具的能力：首先，一个训练好的GNN专家模型会根据输入分子给出带有置信度的预测提示；接着，另一个GNN会提取与当前实例相关的解释性子图，并生成相应的子图SMILES和解释性段落。这些图结构信息被整合到提示文本中，引导SLM做出更准确的预测。
研究人员在MUTAG和Tox21两个标准数据集上，对三种常用的小型语言模型进行了评估，测试了从仅使用SMILES到联合所有工具的共五种提示配置。实验结果显示，融合图上下文后，模型准确率获得显著提升，相对改进幅度普遍超过25%，在Tox21数据集中甚至达到了74%。此外，通过必要性驱动的边删除干预，研究证实了所提取子图与分子功能之间的相关性。
不过，论文也指出，即使有了图增强，SLM与专用GNN模型之间的性能差距依然存在，这揭示了文本条件推理在分子结构理解中的局限性。尽管如此，该工作为结合符号推理与子符号方法提供了新思路，有望在化学人工智能领域催生更多创新应用。