Reaction-Center-Guided Reranking of Transformer Product Predictions with a Product-Conditioned Graph Neural Network

Stellen Sie sich eine Welt vor, in der Chemiker das Ergebnis einer chemischen Reaktion mit der gleichen Leichtigkeit vorhersagen könnten wie ein Wetterprognostiker den Regen. Dies ist das Ziel der computergestützten Synthese, einem Fachgebiet, das darauf abzielt, Wissenschaftlern dabei zu helfen, neue Medikamente und Materialien zu entwerfen, indem simuliert wird, wie sich Moleküle verhalten, noch bevor sie diese im Labor mischen. Im Zentrum dieser Herausforderung steht eine einfache, aber schwierige Frage: Wenn man diese spezifischen Ausgangsstoffe mischt, welches exakte neue Molekül entsteht? Jahrzehntelang haben sich Forscher auf zwei Hauptansätze verlassen, um diese Frage zu beantworten. Ein Ansatz behandelt Moleküle wie Sätze und nutzt leistungsstarke Computerprogramme, um eine Zeichenkette chemischer Symbole für die Ausgangsstoffe in eine Zeichenkette für das Produkt zu übersetzen. Der andere Ansatz behandelt Moleküle als Karten und nutzt Netzwerke aus Punkten und Linien, um zu verfolgen, wie Atome sich verbinden und anordnen. Während beide Methoden ihre Stärken haben, scheitern sie oft daran, das volle Bild allein zu erfassen. Die auf Sätzen basierenden Methoden sind schnell, können aber die physikalische Realität der Atombindung übersehen, während die auf Karten basierenden Methoden präzise, aber langsam und schwierig anzuwenden sind, wenn es um komplexe Gemische geht.

Ein Team von Forschern von Universitäten aus Usbekistan hat nun einen neuen Weg entwickelt, um diese beiden Stärken zu kombinieren, ohne sie miteinander konkurrieren zu lassen. Sie entwickelten ein System, das ein schnelles, sprachbasiertes Computerprogramm verwendet, um eine kurze Liste möglicher Ergebnisse einer Reaktion zu generieren, und dann ein spezialisiertes Karten-lesendes Programm einsetzt, um zu prüfen, welches dieser Ergebnisse physikalisch am meisten Sinn ergibt. Ihre Arbeit, die in einer kürzlich veröffentlichten Studie beschrieben wurde, zeigt, dass sie durch das Hinzufügen einer zweiten Ebene der Prüfung, die auf die spezifische Stelle fokussiert ist, an der die chemische Veränderung stattfindet, die Genauigkeit der Vorhersagen signifikant verbessern können. Dabei geht es nicht darum, die bestehenden Werkzeuge zu ersetzen, sondern ihnen einen klügeren Weg zu geben, die richtige Antwort aus einer Liste guter Vermutungen auszuwählen.

Die Forscher begannen mit einer massiven Sammlung chemischer Reaktionen, speziell einem Datensatz von fast 48.000 Reaktionen, die sorgfältig bereinigt und verifiziert wurden, um sicherzustellen, dass die Verbindungen zwischen den Atomen korrekt sind. Zuerst trainierten sie ein kompaktes Computermodell, das auf einer Art künstlicher Intelligenz namens Transformer basiert, um als Generator zu fungieren. Dieses Modell liest die chemischen Formeln der Ausgangsstoffe und erzeugt eine Liste von fünf wahrscheinlichen Produkten, ganz ähnlich wie eine Rechtschreibprüfung, die Korrekturen für einen Tippfehler vorschlägt. In ihrem ersten Test war dieser Generator bei der Betrachtung seiner Top-Wahl etwa bei einem Drittel der Fälle korrekt. Die Forscher stellten jedoch fest, dass die richtige Antwort oft direkt unter der ersten Wahl verborgen war, unter den anderen Vorschlägen. Das Problem war nicht, dass der Generator die richtige Antwort nicht finden konnte, sondern dass er sie nicht immer als die wahrscheinlichste einstufen konnte.

Um dieses Ranking-Problem zu lösen, führte das Team ein zweites Modell ein, das als Schiedsrichter fungieren soll. Dieser Schiedsrichter ist ein Graph Neural Network, eine Art Programm, das Moleküle als Netzwerke verbundener Punkte versteht. Im Gegensatz zum Generator, der das gesamte Molekül als eine Sequenz von Symbolen betrachtet, konzentriert sich dieser Schiedsrichter intensiv auf das „Reaktionszentrum“ – die spezifischen wenigen Atome, an denen Bindungen während der chemischen Veränderung gebrochen und neu gebildet werden. Die Forscher brachten diesem Schiedsrichter bei, die subtilen Anzeichen einer gültigen chemischen Transformation zu erkennen. Sie erweiterten die Trainingsdaten so, dass nicht nur Änderungen der Bindungen, sondern auch Änderungen im Zustand einzelner Atome enthalten waren, wie etwa Verschiebungen in deren elektrischer Ladung oder der Anzahl der an sie gebundenen Wasserstoffatome. Dies ermöglichte es dem Schiedsrichter, gültige Reaktionen zu erkennen, die ältere Methoden möglicherweise übersehen hätten.

Das System arbeitet in zwei unterschiedlichen Schritten. Zuerst erstellt der Generator seine Liste von fünf Kandidaten. Dann untersucht das separat trainierte und während dieses letzten Schritts unveränderte Schiedsrichtermodell jeden Kandidaten einzeln. Für jedes vorgeschlagene Produkt prüft der Schiedsrichter die Ausgangsstoffe, um zu sehen, ob die an der Veränderung beteiligten Atome dem Muster einer echten chemischen Reaktion entsprechen. Er weist eine Punktzahl zu, basierend darauf, wie konsistent das vorgeschlagene Produkt mit der physikalischen Realität der Ausgangsstoffe ist. Schließlich kombiniert ein einfacher mathematischer Sortierer das ursprüngliche Ranking des Generators mit den neuen Konsistenzwerten des Schiedsrichters, um eine endgültige, neu geordnete Liste zu erstellen.

Die Ergebnisse dieses hybriden Ansatzes waren klar und messbar. Als die Forscher das System an einem Satz von Reaktionen testeten, die das System zuvor noch nie gesehen hatte, war der ursprüngliche Generator in 32,99 Prozent der Fälle korrekt. Nachdem der Konsistenzcheck des Schiedsrichters hinzugefügt und die Liste neu geordnet worden war, stieg die Genauigkeit auf 35,37 Prozent. Während dieser Anstieg klein erscheinen mag, stellt er in der Welt der chemischen Vorhersage eine signifikante Verbesserung dar. Das neue System konnte erfolgreich 127 Reaktionen wiederherstellen, die der ursprüngliche Generator übersehen hatte, während es nur 14 korrekte Antworten fälschlicherweise in falsche änderte. Statistische Tests bestätigten, dass diese Verbesserung nicht auf Zufall beruhte, sondern ein realer, zuverlässiger Effekt der Kombination dieser zwei verschiedenen Arten von Informationen war.

Die Studie zeigte auch auf, wo diese Methode am besten funktioniert und wo ihre Grenzen liegen. Die Verbesserung war konsistent bei Reaktionen mit kleinen, mittleren und großen Molekülen sowie bei solchen mit unterschiedlicher Anzahl an Ausgangsstoffen. Jedoch hatte das System Schwierigkeiten mit den komplexesten Reaktionen, insbesondere jenen, die drei oder mehr unterscheidbare Stellen der Veränderung gleichzeitig beinhalten. In diesen Fällen war die Fähigkeit des Schiedsrichters, die Reaktion in einem einzigen Score zusammenzufassen, nicht ausreichend, um die Komplexität der gleichzeitigen Veränderungen zu erfassen. Dieser Befund deutet darauf hin, dass zukünftige Versionen zwar sehr effektiv für viele gängige chemische Transformationen sein werden, aber noch ausgefeilter sein müssen, um komplexe Reaktionen mit mehreren, weit voneinander entfernten Veränderungen, die gleichzeitig ablaufen, zu bewältigen.

Letztendlich zeigt diese Forschung, dass die Zukunft der chemischen Vorhersage vielleicht nicht im Bau eines einzelnen, massiven Supercomputers liegt, sondern in der klugen Kombination verschiedener spezialisierter Werkzeuge. Indem man einen schnellen, breit gefächerten Generator die Hauptarbeit des Erstellens von Möglichkeiten erleden lässt und einen fokussierten, detailorientierten Schiedsrichter zur Überprüfung der physikalischen Plausibilität dieser Möglichkeiten einsetzt, erreichten die Forscher ein genaueres Ergebnis, als es entweder der eine oder der andere Typ allein hätte leisten können. Die Arbeit bietet eine praktische Blaupause zur Verbesserung bestehender chemischer Software, ohne dass die zugrunde liegenden Modelle komplett neu trainiert werden müssen, und eröffnet damit einen Weg, die computergestützte Synthese für Wissenschaftler, die die nächste Generation von Medikamenten und Materialien entwickeln, zuverlässiger zu machen.