TOMG-Bench: Бенчмарк для генерации молекул на основе текста

Открытие молекул с помощью ИИ

Открытие молекул имеет большое значение в научных исследованиях, особенно в фармацевтике и материаловедении. Использование графовых нейронных сетей (GNN) изменило этот процесс, позволяя представлять молекулы в виде графов и предсказывать их свойства. Однако, эти методы сталкиваются с трудностями в обобщении на разные задачи и требуют значительных объемов данных.

Проблемы и решения

Интеграция больших языковых моделей (LLMs) в открытие молекул также сталкивается с проблемами, такими как согласование молекулярных и текстовых данных, а также нехватка доступных наборов данных. Разработаны различные подходы ИИ для улучшения открытия молекул, включая машинное обучение и обработку естественного языка.

Методы анализа

Используются методы, такие как сверточные нейронные сети (CNN) для структурного анализа и рекуррентные нейронные сети (RNN) для обработки последовательных данных. Появился подход Text2Mol, который использует текстовые описания для поиска молекул. Модели, такие как MolT5, показывают успех в генерации строк SMILES, а дальнейшие разработки, такие как KVPLM и MoMu, улучшили возможности с использованием молекулярных графов.

Новая веха: TOMG-Bench

Исследователи из Гонконгского политехнического университета и других учреждений предложили TOMG-Bench — первый комплексный бенчмарк для оценки возможностей LLM в открытом генерировании молекул. Он включает три основных задания: редактирование молекул, оптимизацию и генерацию кастомизированных молекул.

Результаты оценки

Результаты показывают, что модель Claude-3.5 показала наилучшие результаты с точностью 35.92%. Открытые модели, такие как Llama-3-70B-Instruct, также продемонстрировали значительный прогресс. Однако модели, обученные на конкретных наборах данных, показали ограниченную эффективность.

Практическое применение ИИ

Если вы хотите, чтобы ваша компания развивалась с помощью ИИ, используйте TOMG-Bench для анализа возможностей. Определите, где можно применить автоматизацию и какие ключевые показатели эффективности (KPI) вы хотите улучшить.

Постепенное внедрение

Выберите подходящее решение ИИ и внедряйте его постепенно. Начните с небольшого проекта, анализируйте результаты и расширяйте автоматизацию на основе полученных данных.

Получите помощь

Если вам нужны советы по внедрению ИИ, свяжитесь с нами. Попробуйте ИИ-ассистента в продажах, который помогает отвечать на вопросы клиентов и генерировать контент для отдела продаж.