论文页面 - 语言模型会梦见结合分子吗？在空间约束下对LLM进行基准测试

来源：https://huggingface.co/papers/2607.18144

摘要

基于结构的药物设计（SBDD）利用蛋白质靶点的3D结构，并常辅以其他空间约束，以生成候选结合分子。尽管扩散模型作为高质量3D分子生成的主要范式已占据主导地位，但基于LLM的方法正迅速出现在分子设计领域，并在口袋条件分子生成中展现出竞争性能。然而，它们在物理推理和3D空间环境理解方面的能力在很大程度上尚未被探索。在这项工作中，我们系统分析了当前通用LLM在应对复杂3D约束方面，相较于专门扩散模型等已有基线的能力。我们考虑以蛋白质口袋为条件的3D配体生成，同时结合配体及相互作用衍生的空间约束，包括锚定片段、药效团点，以及必需的口袋-配体相互作用。为启用此评估，我们引入了3D-Fit——一种用于评估LLM在多条件空间分子生成性能上的令牌高效基准测试策略。我们的研究结果揭示了LLM空间能力的一个清晰模式：尽管它们仍落后于最先进的方法，但前景可期，能够同时处理多个空间约束，从而支持异构设置下的扩展。

查看arXiv页面（https://arxiv.org/abs/2607.18144）查看PDF（https://arxiv.org/pdf/2607.18144）GitHub0（https://github.com/insilicomedicine/bench-3d-fit）添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.18144）

引用此论文的模型0

无模型关联此论文

请在模型README.md中引用arxiv.org/abs/2607.18144以从此页面链接。

引用此论文的数据集0

无数据集关联此论文

请在数据集README.md中引用arxiv.org/abs/2607.18144以从此页面链接。

引用此论文的Space0

无Space关联此论文

请在Space README.md中引用arxiv.org/abs/2607.18144以从此页面链接。

包含此论文的合集0

无合集包含此论文

请将此论文添加至合集（https://huggingface.co/new-collection）以从此页面链接。