Изучение механистического рассуждения для химических реакций с помощью больших языковых моделей

Использование крупных языковых моделей (LLM) для молекул в качестве единой платформы для понимания молекулярных структур и функций становится новой тенденцией в таких задачах, как молекулярный дизайн и открытие лекарств. Тем не менее, эти модели не способны в полной мере отражать визуальное представление молекулярных структур, что ограничивает их потенциал. Хотя существующие молекулярные модели визуального языка (VLM) показывают обнадеживающие результаты, они по-прежнему сталкиваются с проблемами структурной подгонки и недостатком необходимого топологического моделирования для точного понимания молекул. Чтобы решить эту проблему, мы предлагаем MolSight — платформу модели визуального языка, учитывающую графы, предназначенную для повышения понимания молекулярных изображений с помощью VLM. MolSight интегрирует Модуль молекулярной топологии, чтобы внедрить информацию о соседстве химических связей в визуальные токены, и Модуль молекулярного сопоставления для согласования визуальных особенностей с химической символикой семантики. Наши эксперименты показывают, что MolSight значительно превосходит существующие VLM, молекулярные LLM и специализированные инструменты по множеству задач понимания химических изображений, достигая нового уровня рассуждений о молекулярных изображениях.

Предпосылки: Современные подходы к химическим смесям в значительной степени основываются на данных и не учитывают общие биологические механизмы среди компонентов смеси, что подчеркивает необходимость подходов, информированных биологией. Цели: Мы создали интегрированную меру окислительного стресса химической смеси и оценили ее связь с смертностью в населении США. Методы: В выборке было 4574 взрослых (в возрасте [≥] 20 лет) из Национального обследования здоровья и питания (NHANES) 2005-2010. Для получения надежных оценок мы провели 1000 повторных случайных разделений 50:50 на обучающие и тестовые наборы. В каждом обучающем наборе мы использовали квантильную g-компьютинговую модель с учетом веса опроса для моделирования сывороточной гамма-глутамилтрансферазы (GGT), биомаркера окислительного стресса, в зависимости от 30-химической смеси (металлы в крови, полициклические ароматические углеводороды (PAH) в моче, пестициды, фенолы/парабены и фталаты), корректируя на социодемографические, поведенческие и диетические факторы. Затем мы применили полученную модель из каждого обучающего набора к соответствующему тестовому набору для определения экологического риска окислительного стресса (ERSOS), определяемого предсказанными значениями GGT. Связи ERSOS со смертностью от всех причин, сердечно-сосудистой и от рака за 11 лет наблюдения оценивались в тестовых наборах с использованием моделей пропорциональных рисков Кокса с учетом веса опроса и обобщались по 1000 повторным разделениям. Результаты: Химические вещества с наибольшими положительными весами в квантильной g-компьютинговой модели включали моно-(2-этил-5-гидроксигексовый) фталат, моно-2-этил-5-карбокси-пентиловый фталат, 2-гидроксифлуорен, метилпарабен и бензофенон-3; химические вещества с наиболее негативными весами включали моно-(2-этил-5-оксо-гексовый) фталат и метаболиты PAH (1-гидроксинафталин, 3-гидроксифенантрен и 3-гидроксифлуорен). Медианная корреляция между наблюдаемыми и предсказанными GGT в тестовых наборах составила 0,43 (2,5-й, 97,5-й процентиль: 0,40-0,48). Увеличение ERSOS на одну стандартную девиацию было связано со средней долей риска 1,60 (2,5-й, 97,5-й процентиль: 1,01-2,57) для сердечно-сосудистой смертности. Связи со смертностью от всех причин или рака не были найдены. Обсуждение: Предложенный подход квантильной g-компьютинга с учетом веса опроса может помочь в оценке эффектов химических смесей, информированных биологией, в сложных данных опросов, поддерживая потенциальную полезность для обобщаемых исследований экологических смесей.

Взаимосвязи структура-свойство являются основополагающими для биологии, химии и науки о материалах, где функция, реактивность и физический ответ возникают из пространственной, химической и периодической организации. Механистическое объяснение этих взаимосвязей требует интерпретации структурных доказательств с помощью научных принципов и физических ограничений, начиная с стереохимии и связи и заканчивая симметрией, энергиями и периодическим порядком. Однако применение искусственного интеллекта к этому процессу представляет собой общую задачу представления и логического вывода: модели должны сохранять информацию о структурах, характерную для области, и демонстрировать, как конкретные доказательства поддерживают предсказания в этих рамках. Здесь мы представляем SciReasoner, многомодальную научную модель, основанную на native структурной логике, охватывающую белки, небольшие молекулы и неорганические кристаллы. SciReasoner дискретизирует координаты, топологии и периодические связи в единый словарь, учитывающий структуру, рассматривая структурные токены как адресуемые единицы доказательства во время логического вывода. В контролируемом по гомологии прогнозировании систематики генов SciReasoner улучшает аннотацию клеточных компонентов для белков с низкой гомологией и сиротоподобных белков, увеличивая $F_{\max}$ с 0.42 до 0.55. В химии он увеличивает точность одностадийного ретросинтеза с 0.63 до 0.72, генерируя следы разрыва на уровне фрагментов и проверки предшественников. В науке о материалах его представления разделяют элементарные и композитные фазы и разрешают режимы с высоким и низким энергетическим зазором. По 86 тестовым задачам SciReasoner достигает лучших в своем классе результатов по 67 задачам. Двойная слепая экспертная оценка оценивала его логические следы как предпочтительные или хотя бы сопоставимые с таковыми у модели большого языка передового уровня в 98% случаев. Делая структуру проверяемым субстратом для логического вывода в рамках научных ограничений, SciReasoner связывает точное предсказание с интерпретируемым научным выводом.

Современные модели "визуального языка" (VLMs) часто испытывают трудности с выполнением сложных визуальных задач, которые требуют последовательного и детализированного мышления. Недавние методы нацелены на обучение моделей, способствующих саморефлексии, то есть пересмотру и улучшению сгенерированного рассуждения. Однако они требуют больших объемов аннотированных данных и не обладают явным рефлексивным поведением во время тестирования. Эта работа направлена на устранение этого разрыва через вдохновение из нейробиологии. Человеческий мозг демонстрирует эффективное обратное предсказание, то есть предсказание того, какие текущие состояния вероятны для предшествования данному будущему состоянию. В этой работе мы сначала подтверждаем, что основные VLMs могут выполнять обратное предсказание, аналогично человеческому мозгу. Затем мы предлагаем "Вдохновленное мозгом несупервизированное саморефлексия" (BUS), бесконечную рамку для обучения, чтобы улучшить возможности рефлексивного мышления в сложном анализе изображений. BUS позволяет VLMs выполнять обратное предсказание и предоставляет явные сигналы обучения на данных без истинных меток. Тем самым, BUS устраняет зависимость от аннотированных данных, улучшая при этом производительность рассуждений. Заметим, что BUS совместим с популярными методами тонкой настройки, такими как супервизированная тонкая настройка (SFT) и обучение с подкреплением (RL). Наконец, обширные эксперименты на 8 бенчмарках демонстрируют эффективность BUS в широком диапазоне сложных визуальных задач. Она достигает значительных улучшений по сравнению с базовой моделью, используя только необработанные данные для обучения. Наши экспериментальные данные подтверждают, что способность к обратному предсказанию имеет решающее значение для рассуждений VLM.

Сенсоневральная тугоухость (СНТ) - это распространенное расстройство с значительной генетической основой. Стандартное секвенирование следующего поколения (NGS) часто не позволяет точно идентифицировать патогенные варианты в гене STRC из-за его сложной геномной структуры, включая крупные перестройки и высокогомологичный псевдоген. Секвенирование длинными считываниями (LRS) обеспечивает улучшенное разрешение для этих сложных областей. Мы разработали комплексный рабочий процесс, который объединяет LRS на основе PacBio с усовершенствованиями, опосредованными маркерами, и валидацией с помощью MLPA, чтобы специально устранить влияние псевдогена. Эта методология была применена для анализа гена STRC в группе из 100 несвязанных тайваньских пациентов с СНТ неизвестного генетического происхождения после начального скрининга методом NGS. Мы идентифицировали биаллельные варианты STRC у 11 несвязанных пациентов (11% диагностический выход), включая гомозиготные делеции, компаунд-гетерозиготные делеции и конверсии, а также компаунд-гетерозиготные однонуклеотидные варианты (SNVs) и варианты числа копий (CNVs). Все несвязанные случаи с биаллельными вариантами STRC были связаны с легкой или умеренной СНТ, что составляет 15,1% от общего числа 73 пациентов с легкой и умеренной СНТ в этом исследовании. Наши результаты подчеркивают диагностическую полезность этой комбинированной стратегии, интегрирующей LRS с усовершенствованиями, опосредованными маркерами, которые были валидированы с помощью тестов MLPA, для выявления сложных вариантов STRC и продвигают понимание генетической этиологии СНТ, которая остается нерешенной традиционными подходами NGS.

Глубокое обучение в области компьютерного зрения для научных приложений требует сбора и аннотирования больших наборов данных в трудоемком, дорогом и подверженном ошибкам процессе. Генерация синтетических данных с помощью 3D-моделирования и рендеринга может упростить этот процесс и повысить точность аннотаций, генерируя их программно. Однако минимизация разрыва между реальными и синтетическими изображениями визуально является субъективной и не имеет систематических количественных критериев. Мы представляем GraNatPy, пакет для Python с метриками, помогающими улучшить рендеринг сцены. Мы показываем, что количественное увеличение реалистичности, разнообразия и размера созданного набора данных коррелирует с улучшением визуального восприятия сцены и более высоким качеством нулевого отслеживания в модели обнаружения объектов. Более того, мы продемонстрировали на примере фотографий вирусологических анализов, что сходство градиентов влияет на эффективность обнаружения небольших объектов, что может быть улучшено смешиванием реальных и синтетических данных. Наконец, мы превращаем процедурный рендеринг данных в агентную технологию (SynthClaw) для автоматизации оптимизации процедурных параметров.