MPPReasoner：将化学推理注入多模态大模型，重塑分子性质预测范式

在药物发现和材料科学领域，分子性质预测是加速研发流程的关键环节。传统机器学习方法依赖大量标注数据，通用大语言模型缺乏专业化学推理能力。MPPReasoner基于Qwen2.5-VL-7B-Instruct构建，通过两阶段训练框架将化学推理系统性融入多模态大模型，在多个基准数据集展现卓越性能，为分子性质预测开辟新技术路径。

准确预测分子性质是药物发现和材料科学研发的核心需求。传统机器学习依赖大量标注数据，通用大语言模型缺乏专业化学推理能力，难以有效关联分子结构与性质关系，MPPReasoner项目由此应运而生。

MPPReasoner核心创新在于多模态输入处理与推理增强设计。模型同时接收SMILES字符串（序列化化学信息）和二维分子图像（空间结构关系），从多维度理解分子特性；基于Qwen2.5-VL-7B-Instruct基础模型，引入Tanimoto相似度检索的少样本示例，提升预测准确性与可解释性。

MPPReasoner采用两阶段训练：1.监督微调（SFT）：用16,000条精选推理轨迹训练，让模型学会化学专家式逐步分析；2.强化学习（RLPGR框架）：三层奖励结构（基础层：答案正确性与格式；推理层：逻辑一致性与比较分析；化学层：化学原理应用与结构分析），确保专业性与严谨性。

项目构建8个数据集评估体系（4个域内：BACE、BBBP、SIDER、HIV；4个域外：Bioavailability、CYP2C9_V、CYP2D6_V、AMES），测试准确性、泛化性与鲁棒性。采用ROC-AUC指标，初步结果：BACE达0.9090，BBBP达0.7436，推理过程可被专家验证，增强结果可信度。

MPPReasoner应用场景广泛：药物发现中筛选候选化合物的血脑屏障穿透性、毒性等；材料科学中预测生物利用度与代谢稳定性，可缩短研发周期、降低成本。部署需8块NVIDIA A100 80GB GPU（最低4块），存储至少100GB，反映大模型在科学计算的资源挑战。

当前局限：主要处理二维分子表示，对三维构象性质预测不足；训练数据来自公开数据集，罕见/新颖分子预测准确性可能下降。未来方向：整合三维结构信息，开发轻量级模型降低部署成本，扩展训练数据覆盖更广化学空间，实现预测-实验-反馈闭环优化。

MPPReasoner是AI与化学交叉融合的重要进展，通过注入化学推理能力，提升预测准确性并提供可解释、可验证的方法。随着计算资源普及和算法优化，这类技术有望加速药物发现和材料科学的科学发现进程。