MolGVR: 화학적 지식을 기반으로 한 텍스트-분자 생성 프레임워크

MolGVR: A Chemistry-Grounded Framework for Text-to-Molecule Generation

텍스트-분자 생성은 일반적으로 모델이 목표 설명을 직접적으로 분자 표현으로 변환하는 단일 단계 시퀀스 생성 문제로 정의됩니다. 그러나 분자 설명에는 종종 중요한 구조적 제약 조건이 포함되어 있으며, 이러한 제약 조건을 위반하면 분자의 동일성이 바뀔 수 있습니다. 따라서 화학적 검증 및 오류 수정은 중요하지만 아직 충분히 연구되지 않았습니다. 이러한 격차를 해결하기 위해, 우리는 화학적 지식을 기반으로 하는 생성-검증-수정 프레임워크인 MolGVR을 제안합니다. 생성기는 구조적 증거를 추론하고 후보 분자를 생성합니다. 검증기는 설명에 포함된 정보를 화학적 제약 조건으로 변환하여 후보 분자가 이러한 제약 조건을 준수하는지 확인함으로써 화학적 유효성을 검증합니다. 수정기는 검증기에 의해 거부된 후보 분자를 수정하여 생성 실패를 해결합니다. ChEBI-20 및 PCDes 데이터셋에 대한 실험 결과, MolGVR은 정확 일치 성능을 향상시키는 것으로 나타났습니다. 이러한 결과는 생성 과정에 실행 가능한 검증과 피드백 기반 수정을 결합하는 것이 텍스트-분자 생성 성능을 개선하는 효과적인 방법임을 시사합니다.

Text-to-molecule generation is typically formulated as a one-shot sequence generation problem, where a model directly maps target descriptions to molecular representations. However, molecular descriptions often contain informative structural constraints, and violating such constraints can change the molecular identity. This makes chemical verification and error correction important but underexplored. To fill this gap, we propose MolGVR, a chemistry-grounded Generator--Verifier--Refiner framework. The Generator infers structural evidence and generates candidate molecules. The Verifier addresses the lack of chemical validation by converting descriptions into chemical constraints and checking candidates against them. The Refiner addresses generation failures by revising candidates rejected by the Verifier. Experiments on ChEBI-20 and PCDes show that MolGVR improves exact-match performance. These results suggest that coupling generation with executable verification and feedback-guided refinement is an effective way to improve text-to-molecule generation.