Dwa zadania, jedna chemiczna przestrzeń

W przewidywaniu właściwości reakcji model odpowiada na pytanie, jak dobrze może ona zajść. Wynikiem może być na przykład przewidywana wydajność albo selektywność. Planowanie syntezy ma inną postać: dla wskazanego produktu trzeba znaleźć substraty i kolejne etapy prowadzące do jego otrzymania. W tym zadaniu model generuje propozycje reakcji, często w zapisie SMILES.

Oba problemy wymagają informacji o budowie cząsteczek, rozmieszczeniu atomów i wiązań oraz zmianach zachodzących między substratami a produktami. W pracy Xu i współpracowników, opublikowanej w „Nature Machine Intelligence”, RXNGraphormer wykorzystuje tę wspólną podstawę do zadań predykcyjnych i generowania reakcji. Autorzy sprawdzają architekturę na danych testowych. Nie przedstawiają kompletnego systemu, który samodzielnie projektuje, wykonuje i kontroluje syntezę w laboratorium.

Jak model zapisuje reakcję i jej przemianę

Cząsteczkę można przedstawić jako graf. Atom jest w nim wierzchołkiem, a wiązanie krawędzią. Enkodery grafowe przekształcają taki opis w wektorową reprezentację, czyli zestaw liczb przechowujących informacje przydatne dla modelu. Następnie moduł oparty na architekturze Transformer analizuje relacje między uczestnikami całej reakcji.

Z tej reprezentacji korzystają różne moduły. Głowica regresyjna przewiduje wartości liczbowe, klasyfikacyjna przypisuje odpowiedź do kategorii, a dekoder generuje sekwencje SMILES potrzebne przy planowaniu syntezy. Wspólna reprezentacja oznacza, że zadania mogą wykorzystywać częściowo wspólnie wyuczone informacje o strukturze i przemianach. Nie oznacza, że są tym samym problemem ani że jeden wynik jest bezpośrednio przepisywany na drugi.

W zadaniach dotyczących reaktywności i selektywności autorzy stosują reprezentację delta–mol. Model analizuje różnice między wiązaniami w substratach i produktach i tworzy pośredni opis zmian. Pomaga to uwidocznić, co w reakcji zostało zachowane, a co uległo przekształceniu. Jest to przybliżenie inspirowane przebiegiem reakcji, a nie bezpośrednia obserwacja jej rzeczywistego szlaku ani pełna symulacja elektronowa.

Czego model uczył się przed testami

Przed dostrojeniem do konkretnych zadań RXNGraphormer uczono na ponad 13 milionach wpisów. Po sprawdzeniu poprawności zapisów SMILES, ich kanonikalizacji i usunięciu duplikatów pozostało około 6,8 miliona rzeczywistych rekordów. Dla ponad 4 milionów produktów algorytmicznie wymieniano fragmenty, tworząc porównywalną liczbę reakcji fikcyjnych. Tak powstały zbiór zwiększał skalę uczenia, ale reakcje fikcyjne nie były nowymi pomiarami laboratoryjnymi.

Celem pretrainingu było między innymi rozróżnianie reakcji rzeczywistych i fikcyjnych oraz uczenie się zachowanych szkieletów cząsteczek i miejsc zmian wiązań. Później model testowano w zadaniach przewidywania reaktywności, selektywności, retrosyntezy i produktu. Autorzy raportują przewagę nad porównywanymi metodami na kilku zbiorach benchmarkowych oraz na zewnętrznych zbiorach literaturowych.

Dla USPTO-STEREO dokładności top-1, top-3, top-5 i top-10 wyniosły odpowiednio 78,2%, 85,1%, 86,5% i 87,8%. Top-k oznacza, że poprawna odpowiedź znalazła się wśród k najwyżej ocenionych propozycji. Taka miara mówi o zgodności z oznaczonym przykładem testowym. Nie mówi sama w sobie, czy każdą propozycję da się bezpiecznie i ekonomicznie wykonać.

Co oznacza wspólna reprezentacja i czego nie dowodzi

Wyniki pokazują, że jeden enkoder może dostarczać użytecznej reprezentacji zarówno dla predykcji liczbowych, jak i dla generowania reakcji. Taka konstrukcja może ułatwiać budowę narzędzi, w których ocena możliwego wyniku reakcji pomaga porządkować propozycje retrosyntetyczne. Dostępne wyniki nie rozdzielają jednak, jaka część poprawy pochodzi ze wspólnej reprezentacji, a jaka z liczby danych, architektury Graphormer, reprezentacji delta–mol lub dostrajania. Do takiego rozdzielenia potrzebne byłyby pełniejsze ablacje.

Zewnętrzne zbiory literaturowe służą do sprawdzenia przenośności poza podstawowymi benchmarkami. Nadal mają jednak cechy danych publikowanych. Częściej trafiają do nich reakcje udane, warunki bywają niepełne, a nowe przykłady mogą przypominać dane treningowe. Wynik nie rozstrzyga więc, jak model poradzi sobie z całkowicie nowymi klasami reakcji, innymi katalizatorami lub skalą przemysłową.

Propozycje retrosyntetyczne wymagają oceny chemika i walidacji laboratoryjnej. Model może wskazać reagenty lub warunki nieplauzybilne, niebezpieczne, niedostępne albo nieekonomiczne. RXNGraphormer porządkuje przestrzeń możliwych reakcji na podstawie danych. Dostarczony materiał nie zawiera dowodu na zamknięty obieg model–robot laboratoryjny–pomiar–aktualizacja modelu.