🤖 machine learning

Margin-calibrated Classifier Guidance for Property-driven Synthesis Planning

تقدم هذه الورقة البحثية "ترتيب إكمال التسلسل" (SCR)، وهي طريقة توجيه مصنف تعتمد على معايرة الهامش، تعمل على تعزيز تخطيط التخليق الكيميائي متعدد الخطوات بشكل كبير من خلال تمكين النماذج ذات التوليد الذاتي المدربة مسبقاً من تلبية قيود تفاعل محددة وأهداف خصائص معينة بفعالية، مما يؤدي إلى تحسين معدلات الحل بشكل جذري وسد فجوة التنوع بين النهجين القائمين على القوالب والنهجين الخاليين من القوالب.

المؤلفون الأصليون: Najwa Laabid, Vikas Garg

نُشر 2026-05-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Najwa Laabid, Vikas Garg

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك شيف ماهر (النموذج الذكي) تحاول إعادة ابتكار طبق معقد وشهير (الجزيء المستهدف) بناءً على كتاب وصفات. مهمتك هي معرفة المكونات (السلائف) التي تحتاج لشرائها لصنع هذا الطبق.

عادةً، يكون الشيف الذكي قد قرأ ملايين الوصفات وهو بارع جداً في تخمين المكون التالي. ومع ذلك، لديه عادة: فهو يميل إلى اقتراح نفس المكونات الشائعة مراراً وتكراراً، حتى لو طلبت منه تحديداً طبقاً يستخدم "فلفلاً حاراً" أو "طماطم عضوية". إذا سألته فقط "اصنع الطبق"، فقد يتجاهل طلبك المحدد ويعطيك نسخة عامة.

هذه الورقة البحثية تقدم طريقة جديدة لتوجيه الشيف دون إجباره على إعادة تعلم كيفية الطبخ من الصفر.

المشكلة: الشيف "النمطي"

وجد الباحثون أن النماذج الذكية القياسية للكيمياء مدربة على مجموعات بيانات ضخمة من التفاعلات. وبسبب ذلك، تطور لديها طريقة تفكير "افتراضية" قوية. إذا حاولت توجيهها نحو نوع معين من التفاعلات (مثل "اقتران C-C") أو مادة بدائية محددة، فإن النموذج الذكي القياسي غالباً ما يتجاهلك.

فكر في الأمر كجهاز GPS حفظ أسرع طريق للوصول إلى وجهة ما. إذا قلت لجهاز الـ GPS: "أريد سلوك الطريق ذي المناظر الطبيعية"، فقد يتجاهلك الـ GPS ويستمر في توجيهك نحو الطريق السريع لأن هذا ما تدرب عليه.

المحاولة الفاشلة: مدرب "الاعتلاج التقاطعي" (Cross-Entropy)

حاول الباحثون في البالبداية استخدام "مدرب" قياسي (مصنف تم تدريبه باستخدام طريقة تسمى الاعتلاج التقاطعي) ليخبر الشيف: "لا، ليس هذا المكون! اختر المكون الحار!".

واكتشفوا خللاً جوهرياً: هذا المدرب تم تدريبه على نفس البيانات التي تدرب عليها الشيف. ولأن وصفات "الفلفل الحار" كانت نادرة في بيانات التدريب، لم يكن المدرب يعرف حقاً كيف يميزها جيداً. كان الأمر أشبه بتعيين مدرب لم يرَ سوى صورة واحدة للفلفل وهو يخمن البقية. وعندما حاول المدرب تصحيح الشيف، لم تكن قوته كافية للتغلب على عادة الشيف القوية في اختيار المكونات "الآمنة". والنتيجة؟ استمر الشيف في صنع نفس الطبق النمطي.

الحل: ترتيب إكمال التسلسل (SCR)

لإصلاح ذلك، ابتكر المؤلفون طريقة تدريب جديدة تسمى ترتيب إكمال التسلسل (Sequence Completion Ranking - SCR).

تخيل تمرين تدريبي حيث لا يكتفي المدرب بقول "جيد" أو "سيئ". بد بدلاً من ذلك، يقوم المدرب بخلق تباين:

يأخذ المدرب وصفة جزئية يكتبها الشيف.
يستبدل المدرب المكون الأخير بمكون عشوائي وغريب (مثل "معجون الأسنان").
ثم يجبر المدرب الذكاء الاصطçi على التعلم: "إذا كنت تريد الطبق الحار، يجب أن يكون تقييم 'الفلفل الحار' أعلى بشكل ملحوظ من تقييم 'معجون الأسنان' أو حتى من المكون 'الآمن' المعتاد للشيف".

هذا هو فقدان الهامش (Margin-Based Loss). إنه يشبه حكماً صارماً يقول: "أنا لا أريدك أن تكون محقاً فحسب؛ بل أريدك أن تكون محقاً بوضوح مقارنة بالخيارات الخاطئة". من خلال تدريب المدرب بهذه الطريقة، يتعلم كيف يخلق فجوة كبيرة بين المسار "الصحيح" والمسار "الخاطئ"، حتى بالنسبة للمكونات النادرة.

كيف يعمل في الممارسة العملية

عندما يقوم الشيف الذكي بالطبخ فعلياً (توليد الوصفة خطوة بخطوة):

يقترح الشيف المكون التالي.
ينظر مدرب SCR إلى هذا الاقتراح ويقول: "إذا اخترت هذا، فسيكون الطبق النهائي حاراً. وإذا اخترت ذاك الآخر، فلن يكون كذلك".
يستمع الشيف للمدرب ويعدل خياره، مما يؤدي فعلياً إلى "توجيه" الوصفة نحو طلب المستخدم المحدد (مثل نوع تفاعل معين أو مادة بدائية معينة).

النتائج: فتح آفاق لوصفات جديدة

اختبر الباحثون هذا على مجموعة بيانات ضخمة من التفاعلات الكيميائية (USPTO-190).

بدون توجيه: استطاع الذكاء الاصطناعي حل حوالي 17% فقط من الوصفات المعقدة عند طلب اتباع قيود محددة.
مع توجيه SCR: قفز معدل النجاح إلى 78% (لأنواع التفاعلات) و 95% (للمواد البدائية).

والأهم من ذلك، وجد الذكاء الاصطناعي وصفات صالحة لـ 33 هدفاً لم يستطع أي منهج آخر حلها. وكأن الشيف، الذي كان عالقاً سابقاً في أطباقه المفضلة، قد تعلم فجأة كيفية طبخ 33 وجبة جديدة ومعقدة كانت مستحيلة الحل في السابق.

لماذا يهم هذا الأمر؟

لا حاجة لإعادة التدريب: لا تحتاج لتعليم الشيف لغة جديدة. أنت فقط تضيف هذا "المدرب" في النهاية لتوجيه الخيارات.
تفضيلات الكيميائيين: يتيح ذلك للكيميائيين البشر قول: "أحتاج إلى مسار يستخدم مواد بدائية رخيصة وآمنة" أو "أحتاج إلى تجنب المواد الكيميائية الخطرة"، وسوف يستمع إليهم الذكاء الاصطناعي فعلياً ويجد تلك المسارات المحددة.
التنوع: يمنع الذكاء الاصطناعي من مجرد تكرار نفس الحلول القديمة، مما يفتح عالماً أوسع بكثير من الإمكانيات الكيميائية.

باخت completion، تعلم هذه الورقة البحثية الذكاء الاصطناعي كيفية الاستماع إلى تعليمات محددة دون نسيان كيفية الطبخ، وذلك عبر تدريب مدرب متخصص يعرف تماماً كيف يميز المسار الصحيح عن المسار الخاطئ، حتى عندما يكون المسار الصحيح نادراً.

ملخص تقني: توجيه المصنف بمعايرة الهامش لتخطيط التخليق الموجه بالخصائص

بيان المشكلة

يهدف تخطيط التخليق إلى توليد تسلسلات فعالة من التفاعلات الكيميائية لإنتاج جزيء مستهدف. وبينما تقدمت نماذج التخليق الرجعي أحادية الخطوة (التوليد الذاتي) القائمة على البيانات بشكل كبير، إلا أنها تعمل عادةً دون مراعاة لتفضيلات كيميائية محددة، مثل تفضيل أنواع تفاعلات قوية (مثل اقترانات C–C التقاطعية) أو تجنب الوسائط الخطرة. وتظل الأساليب الحالية لدمج هذه القيود محدودة: فإعادة تدريب المولدات لكل خاصية مكلفة حاسوبياً وهشة تجاه تغير القيود، بينما يقتصر الترشيح اللاحق (post-hoc filtering) على حصر البحث في المسارات التي ولدها النموذج الأساسي بالفعل، مما يجعل المسارات الصالحة ولكن غير المستكشفة بعيدة المنال.

يوفر "توجيه المصنف" (Classifier guidance) بديلاً خفيف الوزن عبر توجيه مخرجات مولد مدرب مسبقاً أثناء الاستنتاج باستخدام إشارة مساعدة. ومع ذلك، يحدد المؤلفون نمط فشل نظري وتجريبي جوهري: المصنفات القياسية المدربة باستخدام خسارة "الإنتروبيا المتقاطعة" (Cross-Entropy - CE) على بيانات التخليق الرجعي لا يمكنها توفير التمييز على مستوى الرموز (token-level discriminability) اللازم. ففي مجموعات بيانات التفاعلات ذات الانفصال الواحد (single-disconnection) المتفرقة، تكون "الخلية النادرة" (rare cell) من أمثلة التدريب (حيث يؤدي بادئة معينة إلى خاصية مستهدفة ولكن بترميز يفضله المولد) غير ممثلة هيكلياً بشكل كافٍ. ونتيجة لذلك، تفشل المصنفات المدربة بـ CE في تعيين احتمالات مختلفة ذات معنى للرموز المستمرة التي تؤدي نحو الخاصية المستهدفة مقابل تلك التي تبتعد عنها، مما يجعلها غير فعالة في تجاوز التوزيعات غير المشروطة للمولد أثناء البحث الشعاعي (beam search).

المنهجية: ترتيب إكمال التسلسل (SCR)

للتغلب على قيود التدريب باستخدام الإنتروبيا المتقاطعة، يقترح المؤلفون ترتيب إكمال التسلسل (Sequence Completion Ranking - SCR)، وهو إجراء تدريب مبتكر يعاير المصنفات على مستوى الرموز لضمان قدرتها على التمييز بين الاستمرارية أثناء فك التشفير.

1. التحليل النظري لفشل CE

يحلل المؤلفون رسمياً التعقيد العيني المطلوب لمصنف مدرب بـ CE لتحقيق فجوة التمييز الضرورية ( $\Delta_k > G_k$ ). ويوضحون أنه في بيانات التخليق الرجعي، فإن عدد أمثلة "الخلية النادرة" (البادئات حيث تتطلب الخاصية المستهدفة رمزاً لا يفضله المولد) غير كافٍ للتغلب على تباين أخذ العينات. وحتى مع مجموعات البيانات الكبيرة، ينهار مقدر CE نحو تفضيل المولد، فاشلاً في توفير الإشارة اللازمة لتوجيه البحث الشعاعي.

2. خط تدريب SCR

يعالج SCR هذا الأمر من خلال تعديلين متكاملين:

التعزيز التبايني (Contrastive Augmentation): لكل تسلسل جزئي، تنشئ الطريقة مثالاً سلبياً عن طريق استبدال الرمز النهائي برمز عشوائي من المفردات. يتم تخصيص تسمية "شاملة" (catch-all) لهذا الرمز، وهي تسمية متميزة عن جميع فئات التفاعل. هذا التعزيز الاصطناعي يملأ "الخلية النادرة" في المواضع خارج السياسة (off-policy)، مما يوفر إشارة حدود الفئات المتقاطعة التي تفتقر إليها التسميات القياسية.
خسارة الترتيب القائمة على الهامش (Margin-Based Ranking Loss): بدلاً من الاعتماد فقط على تقدير الاحتمال البعدي، يفرض SCR قيد هامش مباشراً على درجات اللوغاريتم الموجهة. بالنسبة لرمز الحقيقة الأرضية $r^*_k$ والبديل الأعلى للمولد $\hat{r}_k$ ، تفرض الخسارة ما يلي:
$\tilde{s}_\alpha(r^*_k) - \tilde{s}_\alpha(\hat{r}_k) \geq \gamma$
حيث $\tilde{s}_\alpha$ هو مجموع لوغاريتم احتمال المولد ولوغاريتم احتمال المصنف. تقوم هذه الخسارة مباشرة بتثبيت فجوة التمييز المطلوبة للتوجيه، مما يفصلها عن عدد العينات لكل بادئة.

3. الضمان النظري

يثبت المؤلفون (الفرضية 1) أن المصنفات التي تستوفي هذه المتطلبات لكل خطوة (تحديداً، تعيين احتمالات $c_1$ للاستمراريات التي تحقق الخاصية و $c_2$ لغير المحققة عند البادئات المتباعدة) توسع بشكل مثبت مجموعة التسلسلات التي تحقق الخاصية والتي يمكن الوصول إليها تحت البحث الشعاعي الموجه. وهذا يثبت أن SCR يمكنه استعادة الأهداف التي قد يستبعدها فك التشفير غير الموجه.

المساهمات الرئيسية

القصور النظري لـ CE: تثبت الورقة أن التدريب بالإنتروبيا المتقاطعة لا يمكنه تقديم التمييز على مستوى الرموز المطلوب لتوجيه المصنف في بيانات التخليق الرجعي بسبب الندرة الهيكلية لتركيبات الرموز والفئات النادرة في مجموعات بيانات الانفصال الواحد.
خوارزمية SCR: اقتراح "ترتيب إكمال التسلسل"، الذي يجمع بين التعزيز التبايني وخسارة الترتيب القائمة على الهامش لمعايرة المصنفات عن طريق التصميم، مما يضمن تحقيق فجوة التمييز.
إثبات الوصول (Reachability Proof): إثبات رسمي يوضح أن المصنفات المدربة بـ SCR توسع الفضاء الكيميائي الذي يمكن الوصول إليه بواسطة البحث الشعاعي الموجه، مما يضمن نظرياً استعادة التسلسلات المحققة للخاصية التي كانت غير قابلة للوص mencapai سابقاً.
التحقق التجريبي: تقييم واسع النطاق يظهر أن SCR يوجه التوليد بفعالية نحو أنواع تفاعلات ومواد أولية محددة، متفوقاً بشكل كبير على جميع النماذج المرجعية (baselines) سواء كانت قائمة على القوالب أو خالية منها.

النتائج التجريبية

تم تقييم الطريقة على مجموعتي بيانات USPTO-190 و USPTO-50k باستخدام نوع التفاعل وتشابه المواد الأولية (Tanimoto) كأهداف للتوجيه.

التخليخ الرجعي أحادي الخطوة: في USPTO-190-Steps (640 منتجاً)، حقق SCR أعلى اتساع في التوجيه بين جميع النماذج المرجعية. وقد استعاد سلائف صالحة موجهة لـ 231 من أصل 287 منتجاً فشل المولد غير الموجه في تحقيقها تماماً. حقق SCR اتساع توجيه بلغ 0.64، متفوقاً على أفضل طريقة قائمة على القوالب (RetroKNN بنسبة 0.51) ومقلصاً فجوة التنوع بين الطرق الخالية من القوالب والطرق القائمة عليها.
التخليق متعدد الخطوات: باستخدام بحث Retro* على 190 هدفاً:
- توجيه نوع التفاعل: رفع معدل الحل من 16.8% (غير موجه) إلى 78.4%، وهو تحسن بمقدار 4.7 ضعف، متجاوزاً أفضل نموذج مرجعي خالٍ من القوالب بمقدار 12.6 نقطة مئوية.
- توجيه Tanimoto: حقق معدل حل بنسبة 95.3% مع أعلى تنوع في المسارات.
- الحداثة: عبر كلا الإشارتين، فتح التوجيه مسارات صالحة لـ 33 هدفاً (17.4%) لم يستطع أي نموذج مرجعي حلها.
التنوع: أظهرت العينات الموجهة وغير الموجهة تداخلاً بنسبة 39% فقط في معامل "جاکارد" (Jaccard overlap)، مما يؤكد أن SCR يستكشف فضاءً كيميائياً جديداً حقاً بدلاً من مجرد إعادة ترتيب المرشحين الحاليين.
الكفاءة: تطلب البحث الموجه بـ SCR عدداً أقل بكثير من عقد البحث واستدعاءات النموذج مقارنة بالطرق القائمة على القوالب مع تحقيق معدلات حل أعلى.

الأهمية والادعاءات

تدعي الورقة أن SCR يوفر حلاً مؤسساً نظرياً ومثبتاً تجريبياً لمشكلة تخطيط التخليق القابل للتوجيه. ومن خلال تجاوز قيود التدريب بالإنتروبيا المتقاطعة، يُمكّن SCR النماذج ذات التوليد الذاتي من دمج القيود التي يحددها الكيميائي (أنواع التفاعل، المواد الأولية) في وقت الاستنتاج دون الحاجة لإعادة التدريب.

يؤكد المؤلفون أن نهجهم يوسع الفضاء الكيميائي الممكن الوصول إليه بما يتجاوز ما يمكن تحقيقه عبر الفلترة اللاحقة أو التدخلات على مستوى البحث وحدها. وتعمل الطريقة بفعالية على جسر فجوة التنوع طويلة الأمد بين النهجين القائم على القوالب والخالي منها، مما يوفر إطاراً مرناً لتخطيط التخليق الموجه بالخصائص الذي يحترم كل من الصلاحية الكيميائية وتفضيلات المستخدم المحددة. ويشير العمل إلى أن التوجيه على مستوى الرموز هو مستوى دقة متفوق لفرض القيود مقارنة بالفلترة الصارمة، التي غالباً ما تقصي جبهة البحث بشكل مبالغ فيه.