[論文レビュー] Molecular Representations for AI in Chemistry and Materials Science: An NLP Perspective

Sanjanasri JP, Pratiti Bhadra+2 more|arXiv (Cornell University)|Feb 24, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

論文は化学・材料科学におけるAIのためのNLP風分子表現（文字列ベースとグラフベース）を調査し、長所と短所、および下流のAI応用を強調します。

ABSTRACT

Deep learning, a subfield of machine learning, has gained importance in various application areas in recent years. Its growing popularity has led it to enter the natural sciences as well. This has created the need for molecular representations that are both machine-readable and understandable to scientists from different fields. Over the years, many chemical molecular representations have been constructed, and new ones continue to be developed as computer technology advances and knowledge of molecular complexity increases. This paper presents some of the most popular digital molecular representations inspired by natural language processing (NLP) and used in chemical informatics. In addition, the paper discusses some notable AI-based applications that use these representations. This paper aims to provide a guide to structural representations that are important for the application of AI in chemistry and materials science from the perspective of an NLP researcher. This review is a reference tool for researchers with little experience working with chemical representations who wish to work on projects at the interface of these fields.

研究の動機と目的

• AI駆動の化学・材料研究のための機械可読な分子表現の必要性を動機づける。
• 広く用いられている文字列ベースおよびグラフベースの表現とそのNLP風起源を調査する。
• 機械学習のための分子表現の表現に関する課題と、異なる表現がそれらにどう対処するかを説明する。
• 計算化学・材料科学のAIタスクに入るNLP研究者への指針を提供する。

提案手法

• 分子表現を文字列ベースとグラフベースのアプローチに分類・整理する。
• SMILES、InChI、DeepSMILES、SELFIES、それぞれの制限と改善点を論じる。
• グラフベースの行列表現と、それらをAIタスクでの利用方法を説明する。
• NLP概念に触発された下流アプリケーションとモデル（例：Mol2vec、Smiles2vec、Graph2SMILES）を説明する。

Figure 1: Two Dimensional and Three Dimensional Structure of 3,4-Methylenedioxymethamphetamine (MDMA) molecule

実験結果

リサーチクエスチョン

• RQ1 AIで化学・材料構造をモデル化する際に、どのNLP風表現が最も効果的か？
• RQ2 3D構造、立体化学、化学的妥当性をMLタスクでどのように扱うか？
• RQ3 下流のAI応用における文字列ベースとグラフベースの表現のトレードオフは何か？

主な発見

• SMILESはNLP風の埋め込みを可能にするが、あいまいさ、3D構造の表現力の限界、意味論・統語的誤りが問題になる。
• InChIは標準化された層状の機械可読識別子を提供するが、長くなりがちで水素の明示表現を欠く場合がある。InChI Keyはよりコンパクトな代替手段を提供。
• DeepSMILESとSELFIESはSMILESの制限の一部を解決し、SELFIESは化学的妥当性を保証し、構文的・意味論的誤りを低減する。
• グラフベースの表現（隣接・距離・結合性マトリクス）は、多くのAIタスクに適した柔軟で情報量の多い構造を提供する。グラフエンコーダや転移学習はタスク横断の再利用を可能にする。
• Mol2vecなどの埋め込み技術は分子片を単語として扱い、性質予測やスクリーニングの有益な埋め込みを生成する。
• Graph2SMILESとトランスフォーマーベースのグラフエンコーダは、グラフ表現とSMILES風出力を結ぶ生成タスクの進展を示す。

Figure 2: Connectivity Matrix Representation for the MDMA Molecule