《Journal of Chemical Information and Modeling》：ChemLint: Conversational Cheminformatics with Large Language Models
编辑推荐：
研究人员介绍了一个开源模型上下文协议（Model Context Protocol，MCP）服务器——ChemLint，其可将任何兼容MCP的大型语言模型连接到一套精选的本地化学信息学和机器学习工具，从而通过对话式界面实现严格的分子数据处理。分子机器学习研究常
研究人员介绍了一个开源模型上下文协议（Model Context Protocol，MCP）服务器——ChemLint，其可将任何兼容MCP的大型语言模型连接到一套精选的本地化学信息学和机器学习工具，从而通过对话式界面实现严格的分子数据处理。分子机器学习研究常因不一致的数据预处理而受损，包括无效SMILES、未解决的重复项以及训练-测试泄漏，但现有基于大型语言模型（Large Language Model，LLM）的化学工具并未解决这些数据中心的挑战。ChemLint提供了数据探索与诊断、分子标准化以及机器学习建模等工具。所有操作均由成熟库确定性执行，并记录在项目清单（project manifest）中，该清单追踪每一步操作，支持可重复性并使数据整理选择明确化。研究人员通过若干实例展示了ChemLint如何用于识别常见数据质量问题、评估数据划分策略，以及执行从原始数据到评估的完整建模流程。ChemLint可在https://github.com/molML/ChemLint免费获取。
**研究背景与拟解决问题**
随着机器学习在药物发现领域的加速应用，分子机器学习研究正面临一个普遍存在的数据质量挑战，该问题严重影响了模型评估的可靠性和实验的可重复性。实际工作中，不同的预处理策略可能导致模型性能评估结果产生显著差异，使得研究结论难以超越特定数据整理流程而具有普遍适用性。即使是被广泛引用的基准数据集（如MoleculeNet中的多个任务数据集）也包含化学无效分子、常见有机溶剂残留、立体化学信息不完整等基础性错误。由于不同研究者采用的数据整理实践存在差异，这从根本上削弱了不同机器学习方法之间进行公平比较的基础。
尽管分子数据预处理的最佳实践已经存在，但在实际操作中并未得到一致遵循。这一领域的跨学科特性意味着并非所有研究者和审稿人都熟悉相关规范，而常用工具灵活性有余、规范性不足。例如，由于类似物系列和共享骨架的存在，分子数据经常违反数据划分中的独立性假设，这一点往往不易被察觉。在此背景下，标准化数据整理方法对于提升研究的一致性、透明度和可重复性具有重要价值。
大型语言模型（Large Language Model，LLM）通过对话式界面提供了一种颇具吸引力的解决方案，有望降低严谨化学信息学工作流的使用门槛，使研究者无需同时精通编程和化学专业知识。然而，标准LLM并不具备直接处理分子数据的能力，也缺乏执行严格化学信息学任务所需的知识约束。已有研究如ChemCrow和ChatInvent虽通过为LLM增强化学工具实现了多步骤工作流的执行，但这些系统侧重于任务执行本身，并未解决支撑分子机器学习研究的数据中心关键步骤。
针对上述局限性，研究人员提出了ChemLint，通过模型上下文协议（Model Context Protocol，MCP）在稳健的化学信息学工具与对话式人工智能之间建立桥梁。MCP是一种轻量级通信标准，为LLM客户端与（本地）服务器托管的外部工具提供连接层，无需紧密集成或自定义插件。MCP服务器向LLM客户端公开工具规范（包括输入模式），并在客户端将任务委托给服务器时返回机器可读的输出结果。这一设计确保了需要计算的具体操作由确定性工具执行，从而限制了LLM的“幻觉”现象。由于MCP与客户端无关，任何兼容MCP的对话式界面（如Claude或ChatGPT）均可作为与分子数据交互的前端。
**研究内容与系统设计**
ChemLint的功能围绕三个支柱组织，对应典型的分子机器学习工作流：（1）数据探索与诊断；（2）分子标准化；（3）机器学习建模。一个跨领域的可重复性系统为这三个支柱提供底层支撑。
在数据探索与诊断方面，ChemLint提供探索性数据分析工具（聚类、可视化和相似性计算）以及系统性诊断功能。研究人员实现了三种互补的标准化诊断报告：数据质量报告涵盖基本数据集统计、分子有效性、理化性质、统计分布和结构特征等广泛检查，同时识别Lipinski五规则、Veber规则和定量类药性（Quantitative Estimate of Drug-likeness，QED）阈值违反情况，并应用基于四分位距（IQR）方法的异常值检测；数据划分质量报告执行八项系统性检查，用于检测训练/测试划分中的潜在问题，包括精确重复SMILES、基于相似性的“泄漏”（高Tanimoto相似性配对）、骨架重叠（共享Bemis–Murcko骨架）、立体异构体/互变异构体变体、理化性质分布差异、标签分布差异及官能团分布差异，每项检查在可能的情况下均配以适当的统计检验，并为每个问题分配严重程度等级；骨架分析报告则通过五种互补分析提供详细的化学多样性评估。此外，针对实验生物活性数据中不可避免的测量误差、缺失值、离群技术重复和相互矛盾的分子测量值，ChemLint提供了系统化工具来识别和解决标签质量问题。
在分子标准化方面，ChemLint包含一套广泛的标准化操作及全面的使用指南，并实现了一个默认的11步SMILES标准化协议，涵盖SMILES规范化、盐去除、溶剂去除、去碎片化、官能团归一化、再电离、电荷中和、同位素去除（可选）、金属断开（可选）、互变异构体规范化（可选）和立体化学处理。分子特征化方面，ChemLint支持210多种RDKit二维描述符和六种指纹类型，涵盖环形邻域（扩展连通性指纹[Extended Connectivity Fingerprints，ECFPs]）、拓扑路径（原子对、拓扑扭转）、子结构模式（分子访问系统[Molecular Access System，MACCS]、RDKit）和药效团特征（化学先进模板搜索[Chemically Advanced Template Search，CATS]），并提供SMILES分词工具以支持基于序列的深度学习方法。
在机器学习建模方面，ChemLint支持四种数据划分策略：随机划分、分层划分（保持标签分布）、基于骨架的划分（共享骨架的所有分子分配到同一划分）和基于聚类的划分（整个簇分配到同一划分）。系统提供33种经典机器学习算法，涵盖分类和回归任务，支持多种交叉验证策略（k折、分层、基于骨架、基于聚类、蒙特卡洛和留p出），并可通过网格搜索进行超参数优化。模型评估支持适合任务的多种指标（如准确率、ROC AUC、R2、RMSE），部分算法还通过贝叶斯集成变体提供不确定性量化。
**关键技术方法**
研究人员采用以下主要技术方法开展研究：（1）基于MCP架构搭建LLM客户端与本地化学信息学工具之间的通信桥梁，利用mcp-cli包向MCP兼容的LLM客户端暴露约150个工具；（2）所有分子级操作均由成熟库确定性执行，主要包括RDKit（分子处理）、pandas（数据集处理）、scikit-learn（建模与统计例程）和SciPy（假设检验）；（3）建立项目清单（project manifest）系统，每个变更资源的操作均创建新版本，记录工具、输入参数和时间戳，形成完整的审计追踪链；（4）以七个MoleculeNet基准数据集为样本队列，通过三项示范性用例验证系统功能。（5）采用Claude Desktop搭配Claude Sonnet 4.5作为MCP客户端前端进行交互验证。
**研究结果**
**示例1：流行基准数据集的质量审计。** 研究人员使用ChemLint对MoleculeNet中七个单任务基准数据集进行质量评估。结果显示：部分数据集包含化学无效SMILES（BBBP：11个，HIV：7个，ClinTox：4个）；许多条目含有盐抗衡离子或溶剂碎片（HIV中高达7.5%）；带电物种普遍存在（BACE超过55%、ClinTox超过60%的分子带有形式电荷）；立体化学信息不完整问题尤为突出（BBBP中仅66%的手性中心和21.5%的立体双键被完全指定）。此外，尽管原始形式不包含重复SMILES，展平立体化学和规范化互变异构体后揭示了大量隐藏冗余——结构异构体组折叠为相同规范表示，有时带有冲突标签。经ChemLint清洗后，所有数据集均消除了无效分子、盐和碎片，带电物种大幅减少（BACE从约56%降至约2%，ClinTox从约60%降至约8%），各数据集丢弃3至238个分子不等。
**示例2：流行基准数据集的数据划分质量分析。** 研究人员使用ChemLint分析MoleculeNet提供的预定义数据划分的质量。对于随机划分，ChemLint检测到训练集与测试集之间的骨架重叠范围为42.5%至63.6%，并发现立体异构体、互变异构体和近重复泄漏。对于基于骨架的划分，大多数泄漏得到解决，但高度相似的分子仍可能出现在两个划分中，且互变异构化偶尔会改变Bemis–Murcko骨架导致泄漏。对于基于指纹的划分，未检测到近重复泄漏，但存在残余骨架重叠。研究还发现FreeSolv数据集中的一个微妙伪影：基于指纹的划分将大多数脂肪族分子置于测试集中，造成强烈的分布偏移。建模性能比较显示，随机划分持续高估性能，而更严格的划分策略（骨架和聚类基础）相比随机划分准确率降低10–30%，揭示了在结构新颖分子上更真实的预测性能估计。
**示例3：从数据到报告。** 研究人员使用ChemLint执行了从原始数据到评估报告的完整建模流程。以BBBP数据集为例，客户端执行数据导入、探索性数据分析、SMILES标准化、重复项去除、基于骨架的划分（80/20）和随机森林分类器训练（5折交叉验证），在留出测试集上取得ROC AUC为0.93±0.01。通过新建客户端实例，仅凭项目清单即可精确复现全部实验步骤并得到相同测试集性能。研究人员还验证了客户端根据项目清单自动生成适于期刊发表的方法学部分（Materials and Methods）的能力，人工核对确认所有记录步骤均准确无误。
**讨论与结论**
ChemLint的设计目标在于使严格的化学信息学工作流更易于应用、重现和解释。通过将对话式界面与受约束的、基于工具的应用程序编程接口（Application Programming Interface，API）相结合，该系统支持数据集探索、常见数据质量问题的系统诊断以及最佳实践策略的应用，无需依赖临时脚本或未记录的人工步骤。所有操作均通过本地工具执行并记录在项目清单中，为每个数据集产物、划分和模型的创建提供了清晰的审计追踪。系统当前通过将LLM行动锚定在确定性工具中来应对可重复性挑战并缓解幻觉问题，同时实现了机器学习工作流所期望的标准评估实践。以用户特定任务为目标的评估定制仍是关键的开放性挑战和未来工作的自然方向。
除自动化之外，ChemLint旨在使分子数据处理中的假设和权衡变得可见。诊断报告、标准化注释和划分质量检查旨在突出那些容易被忽视但可能改变下游建模结果的问题。这些功能共同将ChemLint定位为对话式化学信息学的实用工作台。虽然ChemLint不能替代传统建模环境，也不能消除对专家判断的需求，但它降低了进入该领域的门槛，并提供了一个减少数据整理决策模糊性的结构化框架，最终提升了分子机器学习工作流的透明度和可重复性。
