分子生成2026/11/6arXiv:2611.09235

スパース表現編集による制御可能な分子生成：解釈可能性駆動のアプローチ

Controllable Molecule Generation via Sparse Representation Editing: An Interpretability-Driven Perspective

大規模言語モデルの分子生成において、表現をスパースな特徴空間に分解し編集することで、原子や官能基の局所配置や物性の全体制御を可能にする解釈可能性駆動フレームワークSpaREを提案した。

詳しい要約

1. どんなもの？

- LLMベースの分子生成において、微細かつ精密な制御を可能にする解釈性駆動型フレームワーク Sparse Representation Editing (SpaRE) を提案する研究。 - 目的は drug discovery や materials design 等で求められる、特定の部分構造や性質を持つ分子の制御生成。 - LLM の密で絡み合った表現が精密制御を妨げる問題に対処する。

2. 先行研究と比べてどこがすごい？

- 従来の LLM ベース分子生成は密で entangled な表現のため、bespoke な substructure や property の精密制御が困難だった。 - SpaRE は overcomplete sparse feature space を学習し、LLM 表現を化学的に意味のある概念に対応する潜在特徴へ disentangle する。 - 解釈性を post-hoc analysis から actionable generative control へと進展させる点が新規。

3. 技術・手法の肝は？

- 肝は overcomplete sparse feature space の学習により、LLM 表現を化学的に意味のある概念に対応する compact な latent features に分離すること。 - この空間内で概念整合した潜在特徴を直接操作する。 - (1) local control: 指定位置への target atoms や functional groups の生成。 - (2) global control: 定義された範囲内での全体的な構造・physicochemical properties のカスタマイズ。

4. どうやって有効だと検証した？

- 実験により、SpaRE が実世界シナリオで複雑な制約下でも化学的に望ましい分子を生成できることを示す。 - 併せて quantitative structure-property analysis に対する mechanistics insights を提供する。 - 具体的なデータセット名や評価指標は要旨からは不明。

5. 議論はある？

- 解釈性を生成制御に活用する枠組みとして、mechanistic insights を定量構造物性解析に提供できる点を議論。 - 制約の複雑さや範囲設定の一般性、限界については要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として LLM-based molecule generation、sparse autoencoder 系の解釈性研究、controllable molecule generation の定番手法を次に読む候補として挙げる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zhuoran Li, Xu Sun, Chang Wen Chen, Wanyu Lin

分類: cs.LG

原文アブストラクト

Controllable molecule generation is crucial for diverse scientific applications, such as drug discovery and materials design. While large language models (LLMs) show great promise, their dense and entangled representations impede precise control over the generation of molecules with bespoke substructures or properties. To address this, we propose Sparse Representation Editing (SpaRE), an interpretability-driven framework for fine-grained and precise control in LLM-based molecule generation. The crux of SpaRE is to learn an overcomplete sparse feature space that disentangles LLM representations into a compact set of latent features corresponding to chemically meaningful concepts. Within this space, we can directly manipulate these concept-aligned latent features to achieve (1) local control, by generating target atoms and functional groups at specified positions; and (2) global control, by customizing the overall structural and physicochemical properties within defined ranges. In this way, our framework advances interpretability from post-hoc analysis to actionable generative control. Experiments show that SpaRE can generate chemically desirable molecules under complex constraints in real-world scenarios, while offering mechanistic insights for quantitative structure-property analysis. The code and demo are available at https://github.com/WanyuGroup/ICML2026_SpaRE.

arXivで原文を読む →arXiv概要ページ

← 論文一覧