[论文解读] 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 0

一句话总结

本论文综述将 NLP 启发的分子表示（基于字符串与基于图的表示）在化学与材料科学的 AI 中的应用，强调优点、缺点及下游 AI 应用。

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.

研究动机与目标

• 为 AI 驱动的化学与材料研究动机化可机器读取的分子表示需求。
• 综述广泛使用的字符串与图基表示及其 NLP 启发的起源。
• 解释在机器学习中表示分子的挑战以及不同表示如何解决这些问题。
• 为进入化学信息学与材料科学 AI 任务的 NLP 研究者提供指南。

提出的方法

• 将分子表示分为字符串基和图基方法并进行分类。
• 讨论 SMILES、InChI、DeepSMILES、SELFIES 及各自的局限性与改进。
• 解释基于图的矩阵表示及其在 AI 任务中的应用。
• 描述受 NLP 概念启发的下游应用与模型（如 Mol2vec、Smiles2vec、Graph2SMILES）。

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

实验结果

研究问题

• RQ1 哪些受 NLP 启发的表示在用 AI 建模化学和材料结构时最有效？
• RQ2 不同表示在 ML 任务中如何处理三维结构、手性以及化学有效性？
• RQ3 在化学与材料科学的下游 AI 应用中，字符串表示与图表示之间有哪些权衡？

主要发现

• SMILES 能实现类似 NLP 的嵌入，但存在歧义、对三维结构的表达能力有限以及语义/句法错误的问题。
• InChI 提供标准化、分层、可机器读取的标识符，但可能较长且缺少显式氢原子表示；InChI Keys 提供紧凑的替代。
• DeepSMILES 与 SELFIES 解决了部分 SMILES 的局限性，SELFIES 保证化学有效性并降低句法/语义错误。
• 基于图的表示（邻接矩阵、距离矩阵、连接性矩阵）提供灵活且信息丰富的结构，更适合多数 AI 任务；图编码器与迁移学习实现跨任务重用。
• Mol2vec 及相关嵌入技术将分子片段视为单词以产生对性质预测与筛选有用的嵌入。
• Graph2SMILES 与基于 Transformer 的图编码器在将图表示与生成任务中的 SMILES 类输出连接方面取得进展。

Figure 2: Connectivity Matrix Representation for the MDMA Molecule