在人工智能輔助藥物發現領域，分子屬性預測一直是一個核心挑戰。儘管大型語言模型在諸多任務上表現出色，但小型語言模型（SLM）因其低計算成本在零樣本預測中具有吸引力，然而它們往往對分子的三維拓撲結構缺乏理解，這被稱為“結構盲區”。傳統上，圖神經網絡（GNN）通過直接建模分子圖結構取得了優異性能，而SLM主要依賴SMILES字符串序列，難以捕捉關鍵的圖拓撲線索。
為彌補這一缺陷，來自希臘的研究團隊提出了一種模塊化的上下文增強提示框架。該框架賦予SLM在推理時調用外部工具的能力：首先，一個訓練好的GNN專家模型會根據輸入分子給出帶有置信度的預測提示；接着，另一個GNN會提取與當前實例相關的解釋性子圖，並生成相應的子圖SMILES和解釋性段落。這些圖結構信息被整合到提示文本中，引導SLM做出更準確的預測。
研究人員在MUTAG和Tox21兩個標準數據集上，對三種常用的小型語言模型進行了評估，測試了從僅使用SMILES到聯合所有工具的共五種提示配置。實驗結果顯示，融合圖上下文後，模型準確率獲得顯著提升，相對改進幅度普遍超過25%，在Tox21數據集中甚至達到了74%。此外，通過必要性驅動的邊刪除干預，研究證實了所提取子圖與分子功能之間的相關性。
不過，論文也指出，即使有了圖增強，SLM與專用GNN模型之間的性能差距依然存在，這揭示了文本條件推理在分子結構理解中的侷限性。儘管如此，該工作為結合符號推理與子符號方法提供了新思路，有望在化學人工智能領域催生更多創新應用。