01 / 研究问题
分子图表征能否从语言表达的化学推理中受益？
02 / 创新思路
用 ChatGPT 生成化学家式知识，经 LLM 编码后，以门控多头交叉注意力融合分子图特征。
03 / 方法机制
用 ChatGPT 生成化学家风格的描述，经 LLaMA3 编码后，通过门控多头交叉注意力与分子图表征融合；另以有限规模的真人审阅实验修订存在冲突的生成知识。
04 / 实验设置
正式 Table 1 覆盖九个 MoleculeNet 数据集。训练/验证/测试为 8:1:1：回归随机划分，分类按骨架划分，使用种子 0–4。外部溶解度评测去除 MoleculeNet 重叠后保留 949 个分子。早期四数据集预印本结果单独区分。
Final article · online 2025, volume 2026 · 来源 ↗
05 / 主结果
FreeSolv RMSE 为 0.796 ± 0.09；外部溶解度 RMSE 为 0.651 ± 0.046。比较同时保留 ESOL、Lipophilicity、HIV 上更强的基线。
Tables 2–3 含文献基线；Table 5 外部溶解度基线按相同协议重跑。各数据集单位不同。
横向滑动，或聚焦后按方向键查看全部列 →
| 数据集 | 指标 | 比较模型 | 比较值 | MolProphecy |
|---|---|---|---|---|
| FreeSolv | RMSE ↓ | SYN-FUSION | 0.876 ± 0.04 | 0.796 ± 0.09 |
| ESOL | RMSE ↓ | MolHGT | 0.518 ± 0.021 | 0.693 ± 0.006 |
| Lipophilicity | RMSE ↓ | MolHGT | 0.536 ± 0.032 | 0.657 ± 0.07 |
| HIV | AUROC ↑ | MolCLR | 0.806 ± 0.011 | 0.774 ± 0.015 |
| External solubility | RMSE ↓ | ChemBERTa | 0.764 ± 0.069 | 0.651 ± 0.046 |
Final article · Tables 2, 3 and 5 · 原文来源 ↗
06 / 消融与局限
Table 6 比较仅图与仅知识变体；Table 10 中，化学家修订使困难案例 AUROC 从 0.871 升到 0.889，仅是有限概念验证。生成知识、可能的预训练暴露和依情境而变的解释限制泛化；尚未证明完全自主或闭环化学研究。
生成知识是专家知识的代理；性质基准本身不能证明自主药物发现闭环。
07 / 个人贡献
末位作者；贡献声明列出方法、监督、项目管理与写作。
08 / 论文与代码
引用这项研究
MolProphecy: Bridging medicinal chemists’ knowledge and molecular pre-trained models via a multi-modal framework. Journal of Advanced Research · 85, 577–594, 2026. https://www.sciencedirect.com/science/article/pii/S2090123225008306