大規模言語モデルの能力の進展を小分子創薬に向けて評価する

要旨: 大規模言語モデル（LLM）は、多様な情報源や形式からの情報について推論する能力によって、小分子創薬を加速する可能性を持っています。しかし、現実世界の状況を反映するベンチマークが欠如しているため、その実用的な有用性はいまだ不明確です。本研究では、分子特性予測、分子表現の変換、分子設計にまたがる、化学的に裏付けられた一連のタスクを導入します。重要なのは、これらのタスクを強化学習（RL）の環境として定式化し、評価と事後学習（ポストトレーニング）のための統一的なアプローチを可能にする点です。3つのモデル系統において、最先端モデルが化学タスクでますます高い能力を示す一方で、特にデータが少ない実験環境では改善の余地が大きいことを見出しました。決定的なのは、RLに基づく事後学習が性能を大幅に向上させ得ることを示す点です。我々の環境で事後学習したより小さなモデルは、ベースモデルが大幅に弱いにもかかわらず、最先端のフロンティアモデルと競争力を持ちます。これは創薬においてLLMを実際に活用するための実用的な道筋を示唆しています。すなわち、慎重に設計した評価タスクと、狙いを定めた事後学習を組み合わせることで、重要な能力ギャップを解明し、同時に埋めることができます。