正向反应预测的任务定义
给定反应物与试剂,预测可能的产物,是化学信息学中的正向反应预测任务。它看起来像“输入一组材料,输出一个分子”,但实际数据通常来自反应数据库或专利文本:每个样本是被记录的一条反应,模型的目标是让输出与记录中指定的产物一致。这个目标与“在实验室中能否按某条件合成该分子”“产率是多少”或“所有可能产物是什么”并不相同。
Schwaller 等人的 Molecular Transformer 将化学反应转成序列到序列问题:反应物及相关试剂用SMILES字符串表达,模型输出产物的SMILES。SMILES是一种分子图的线性化表示,同一分子可能有不同合法串写。模型训练时可采用数据增强,让同一化学结构以多种SMILES形式出现,从而降低模型对单一字符序列的过度依赖。预测本质上仍是从训练数据中学到的反应模式和表示规则中生成一个或多个候选串。
模型并不直接读取实验装置、混合顺序、溶剂含水量、搅拌、温度曲线或分析仪器原始数据。若这些信息未明确编码在训练样本输入中,模型便不能据此推断它们的作用。因而,评价中一个需要反复确认的问题是:被预测的究竟是化学产物、反应条件、产率,还是实验成功率?Molecular Transformer的核心论文研究的是反应产物预测,并提出不确定性校准方法,不应把它写成全自动化学实验系统。
Transformer如何把反应“读成”序列
Molecular Transformer使用多头注意力的编码器—解码器结构。编码器读取输入分子串,解码器以自回归方式逐步生成产物SMILES;模型在预测下一个字符或token时,既利用已生成的部分,也通过注意力访问输入序列。研究比较了将反应物与试剂分开标记的输入,与把输入分子合并、不显式区分反应物和试剂的形式。论文还报告模型不依赖人为编写的反应模板规则,且可通过随机SMILES增强训练数据。
序列模型需要在化学结构与字符串之间往返。预处理阶段会处理SMILES格式、原子映射与立体化学,训练时的随机表示增强用于让一个分子结构可以以多种有效序列形式出现。推理时,beam search会维护多个可能的产物串,再按照模型的序列分数排序。这样的过程能缓和单一路径解码过早做错选择的问题,但beam中的候选数并不等于不同化学产物数;不同SMILES还可能表示同一分子,需要结构标准化与去重。
反应物和试剂是否分开编码也是建模假设。若输入明确使用分隔符,模型可以从字段位置学习不同角色;若混合输入,模型必须由整体上下文推断反应物与试剂信息。哪种方式较好,应以对应基准评估,不能脱离论文的数据处理单独下结论。化学反应记录中还可能包含多种反应物、催化剂或辅助物,遗漏这些输入会使模型面对的信息与实验员实际使用的信息不一致。
即使模型输出符合SMILES语法,也要进行化学图检查,例如价态、芳香性、立体中心和元素组成是否合法。合法字符串只说明可以解析成结构,不等于该结构能由给定反应物合成。反应预测系统常把“生成的字符串合法”和“生成的结构与数据库记录一致”作为不同评价步骤。一个可部署流程应保留解码候选、结构转换错误及化学标准化规则,不能只保留经过人工挑选的最终产物。
论文的随机SMILES数据增强也应与测试拆分一起理解。如果同一反应的不同字符串变体跨训练与测试,模型可能在字符串层面见过高度相似的反应。去重宜按反应图、而不是仅按原始文本行处理。若按时间切分或按反应类别切分,回答的是与随机划分不同的问题,应分别报告,不应将其中一个分数称作普遍的未来预测能力。
不依赖手写模板并不意味着模型没有假设。训练集决定哪些反应和表示模式较常见,SMILES规范化、原子映射处理、立体化学编码、训练测试切分和beam search候选数量都会影响结果。基准中遇到的反应往往来自特定数据集和专利抽取过程;模型学到的是该分布中的反应模式,不能仅凭神经网络结构推断它会覆盖化学空间的全部反应。
论文在USPTO_MIT测试中报告top-1准确率:将反应物和试剂分开输入时为90.4%,合并输入时为88.6%;含立体化学的USPTO_STEREO对应为78.1%和76.2%。此外,研究用Pistachio中一个按年份留出的集合,以及一个杂芳烃卤化子集做分析。这些结果只描述各自基准上模型输出与记录产物的匹配,不代表实验“合成成功率”;论文没有让每条预测都对应一次前瞻性合成实验。分开与混合输入的差异也应限于这些数据与预处理,不能推断它在其他反应库里总是更优。时间切分比随机切分更接近预测较新记录的设置,但仍不能消除数据库中未见底物、反应条件或实验平台变化的影响。对不同测试方案,应报告各自的标签构造和样本来源,不能把多个成绩简单平均成一个全局准确率。
不确定性校准:模型知道自己可能错吗
化学反应模型的一个实用问题是:即使它给出了候选产物,用户也需要知道何时应当谨慎。Molecular Transformer论文研究了基于输出置信度的估计方式。作者使用生成序列中token概率的汇总分数,对候选预测进行排序,并分析此分数区分正确与错误预测的能力。论文报告该分数可用于不确定性评估,并在相应测试集上计算了区分能力指标。
“校准”需要特别谨慎理解。一个置信分数能排序出较可信与较不可信样本,不等于分数已经严格对应现实世界中的反应成功概率。例如,模型对某预测赋予高分,若在测试分布中其标签正确率较高,仍不能据此推断换成不同底物、不同条件或现实实验环境后成功概率相同。校准结论取决于目标标签、数据集切分、置信分数定义以及测试分布与部署分布是否接近。
作者还研究标签平滑等训练选择对预测和不确定性估计的影响。论文观察到,某些训练技巧即使轻微提升top-1准确率,也可能减弱置信度对错误样本的区分能力。因此,单看top-1并不足以评估一个反应预测系统能否辅助实验决策。对于科学使用,需同时报告准确率、覆盖率、置信度分层表现、类别分布及失败类型;若目标是实际决策,还需在独立、未来或前瞻性数据上验证。
记录正确,不代表实验可行
专利数据库中的反应记录是有价值的知识来源,但它有多重局限。记录可能缺失部分试剂、溶剂或条件;反应结构提取与产物标注可能产生错误;特定反应家族或底物类别可能过度代表;专利写作强调可保护和成功的实例,而不是每次失败尝试。一个模型高准确复现记录标签,说明其在该测试方案上能匹配标签,并不说明它能够建议所有未见条件或应对缺失信息。
还需注意“产物预测”的单一标签假设。真实反应可能生成多个产物、异构体或副产物,数据集却常以主要产物或被记录产物作为唯一目标。SMILES等价规范、立体化学标记及反应物原子映射会影响字符串比较。若预测结构在化学上等价但字符串不同,评估方法能否识别等价性也会改变指标。读懂数字前,应确认评价是在字符串级、图结构级还是化学规则清理后的层面进行。
反应条件预测是另一项任务
Gao 等人 2018 年的工作不是 Molecular Transformer,而是以反应物和产物结构为输入,预测化学条件的神经网络研究。它从Reaxys记录学习催化剂、溶剂、试剂和温度等标签,目标是推荐历史记录中的条件。其评估结果主要衡量与记录条件的一致程度,而不是对每种推荐条件都进行新的前瞻性实验验证。把条件推荐、反应产物预测和反应产率回归混成一个“AI预测反应”指标,会使读者误解模型的输入输出。
对实际化学实验而言,产物、条件与产率相关但互不等价。模型预测出目标产物并不说明它在任何任意条件下都能生成;模型推荐一组历史上常见的条件也不证明它是最优条件;产率预测还需明确数据中的收率标签、测量协议及实验批次。科学问题不同,模型应分别评估,而非由一个模型名称覆盖。
如何将预测模型放入实验流程
一种合理的使用方式是把模型输出当作候选假设:生成若干产物或条件建议,检查化学合法性和与任务背景的匹配,再由化学家设计验证实验。若需要选择最有信息量的候选,可利用不确定性提示哪些输入可能超出训练分布或需要人工审查。对重要结论,应保存原始输入、预处理、SMILES表示、模型版本、解码参数、候选排名和后续实验记录,让计算预测与实验结果能够追溯。
下列伪代码仅描述对真实反应记录做数据评估的流程,不包含模拟反应数据、产率或虚构实验结论。数据来源和切分要在项目中明示;置信度阈值应在独立验证集上设定,而不是看完测试集结果后选择。
# 示意:对有来源记录的反应数据评估产物预测和置信度,不合成化学结果
records = load_reaction_records(curated_dataset, provenance_manifest)
records = validate_smiles_and_group_duplicate_reactions(records)
train, validation, test = split_by_time_or_reaction_family(records)
model = load_molecular_transformer(checkpoint_version)
candidates = model.predict_products(test.inputs, beam_config=decode_config)
confidence = model.score_generated_sequences(candidates)
compare_to_recorded_products(candidates, test.products, equivalence_policy)
report_accuracy_and_calibration_by_confidence(confidence, test.labels)
report_data_coverage_and_out_of_domain_cases(test, training_manifest=train.metadata)
如果进一步开展前瞻性实验,实验批次应有阴性与阳性对照,明确反应条件、分析方法和产物确认标准。训练测试准确率不能代替这种实验;选择性展示成功案例也不能代替失败统计。预测工具可缩短检索和方案筛选时间,但实验最终决定实际可行性。
小结
Molecular Transformer把反应结构以SMILES序列输入,输出与记录产物相符的候选,并研究了基于生成置信度的不确定性排序。其论文成绩来自特定专利反应基准,衡量记录标签匹配,不是实验产率或现实反应成功概率。置信排序可以帮助识别需要审查的预测,但必须在分布变化与前瞻性实验中重新验证。讨论反应AI时,清楚区分产物预测、条件推荐、产率预测和实验验证,才能准确描述模型的能力边界。
参考资料
- Schwaller P. et al. Molecular Transformer: A Model for Uncertainty-Calibrated Chemical Reaction Prediction. ACS Central Science, 2019. DOI: 10.1021/acscentsci.9b00576
- Gao H. et al. Using Machine Learning To Predict Suitable Conditions for Organic Reactions. ACS Central Science, 2018. DOI: 10.1021/acscentsci.8b00357
- Schwaller P. et al. Extraction of organic chemistry grammar from unsupervised learning of chemical reactions. Science Advances, 2020. DOI: 10.1126/sciadv.aaw1574
读者留言
COMMENTS 暂无还没有留言,来说第一句?