🤖 AI

UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment

UAlign es un novedoso flujo de trabajo de grafo a secuencia sin plantillas para la predicción de retrosíntesis que aprovecha redes neuronales de grafos, Transformers y una técnica de alineación de SMILES no supervisada para superar significativamente a los métodos del estado del arte, rivalizando al mismo tiempo con enfoques establecidos basados en plantillas.

Autores originales: Kaipeng Zeng, Bo yang, Xin Zhao, Yu Zhang, Fan Nie, Xiaokang Yang, Yaohui Jin, Yanyan Xu

Publicado 2026-07-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Kaipeng Zeng, Bo yang, Xin Zhao, Yu Zhang, Fan Nie, Xiaokang Yang, Yaohui Jin, Yanyan Xu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un maestro chef intentando recrear un plato famoso y complejo solo con mirar el plato final. Conoces los ingredientes y las técnicas de cocina que existen, pero tienes que descubrir exactamente cómo desconstruir la comida para volver a sus componentes básicos. Este es el desafío diario para los químicos, un campo conocido como síntesis orgánica. Ellos necesitan trabajar hacia atrás, desde un medicamento o material deseado, para encontrar los ingredientes iniciales simples y económicos necesarios para construirlo. Este proceso se llama "retrosíntesis". Durante décadas, las computadoras han intentado ayudar, pero a menudo se quedan estancadas. Algunos métodos dependen de un libro de cocina gigante y rígido de recetas conocidas (plantillas), lo cual falla cuando aparece un plato nuevo y extraño. Otros intentan adivinar los ingredientes desde cero, como un chef que nunca ha visto el plato, terminando a menudo con una receta que no tiene sentido o que utiliza ingredientes que no existen. La gran pregunta es: ¿Puede una computadora aprender a "des-cocinar" una molécula de manera eficiente sin necesidad de un libro de cocina preescrito, pero comprendiendo al mismo tiempo las reglas profundas de la química?

Presentamos UAlign, un nuevo asistente digital diseñado para resolver este rompecabezas. Los investigadores detrás de este artículo, Kaipeng Zeng y su equipo, construyeron un sistema que actúa como un detective superinteligente que no solo adivina los ingredientes, sino que realmente comprende la estructura del plato final. En lugar de tratar las moléculas como cadenas aleatorias de letras (que es como las leen las computadoras usualmente), UAlign observa la molécula como un mapa 3D de conexiones, como un sistema de metro donde las estaciones son átomos y las vías son enlaces químicos.

El truco ingenioso que utiliza UAlign es un concepto llamado "alineación de SMILES no supervisada". Piénsalo de esta manera: si desmontas un castillo de Lego, la mayoría de los ladrillos se mantienen exactamente donde estaban; solo algunas piezas cambian o se eliminan. UAlign se da cuenta de que, en una reacción química, las partes "invariables" de la molécula son las más fáciles de detectar. Por lo tanto, en lugar de intentar reconstruir todo desde cero, alinea automáticamente las partes inalteradas de los ingredientes iniciales con el producto final, sin necesidad de que un humano etiquete cada una de las conexiones. Es como tener un escáner mágico que resalta instantáneamente las partes del castillo de Lego que no se movieron, permitiendo que la computadora concentre su capacidad cerebral solo en las pocas piezas que realmente cambiaron.

Los resultados son impresionantes. Al ser probado en bases de datos masivas de reacciones químicas, UAlign demostró ser mucho mejor prediciendo los ingredientes iniciales correctos que los métodos anteriores "libres de plantillas". De hecho, funcionó tan bien que alcanzó, y a veces incluso superó, a los métodos antiguos que dependían de esos rígidos libros de recetas. Por ejemplo, en un conjunto de pruebas importante, predijo correctamente los 10 posibles materiales de partida aproximadamente el 90% de las veces, un salto significativo sobre sus competidores. También demostró que podía planificar recetas de múltiples pasos para medicinas complejas del mundo real, como el Mitapivat y el Pacritinib, descomponiéndolas con éxito en precursores más simples.

Sin embargo, los autores advierten cuidadosamente que, aunque UAlign es una nueva herramienta poderosa, no es una varita mágica que lo soluciona todo. Todavía tiene dificultades para generar una amplia variedad de respuestas diferentes (diversidad) y no explica completamente por qué tomó cierta elección química, lo cual puede ser difícil de que los químicos humanos confíen en ello. Pero al combinar una comprensión profunda de las formas moleculares con una forma inteligente de alinear las piezas, UAlign expande los límites de lo que las computadoras pueden hacer en el laboratorio, haciendo que el viaje desde una molécula objetivo hasta una medicina del mundo real sea un poco menos parecido a un juego de adivinanzas y un poco más parecido a un rompecabezas resuelto.

Resumen Técnico: UAlign

Planteamiento del Problema

La predicción de la retrosíntesis de un solo paso es un desafío fundamental en la planificación sintética asistida por computadora (CASP), cuyo objetivo es predecir los reactivos necesarios para sintetizar una molécula de producto objetivo. Si bien el aprendizaje profundo ha avanzado en este campo, los métodos existentes enfrentan limitaciones significativas:

Los métodos basados en plantillas dependen de bases de datos de plantillas de reacción, lo que ofrece interpretabilidad pero sufre de una baja escalabilidad y una incapacidad para cubrir casos fuera de la biblioteca de plantillas.
Los métodos semi-basados en plantillas dividen la tarea en subtareas (predicción de sintones y completado de reactivos), lo que aumenta la complejidad de la inferencia y la dificultad del entrenamiento; los fallos en las etapas iniciales se propagan al resultado final.
Los métodos libres de plantillas (modelos generativos) generan reactivos directamente a partir de cadenas SMILES de productos. Sin embargo, a menudo pasan por alto la rica información topológica y de enlaces químicos inherente a los grafos moleculares. Además, típicamente generan reactivos desde cero, sin aprovechar la intuición química de que la mayoría de las estructuras moleculares permanecen sin cambios durante una reacción. Los intentos existentes para utilizar esto mediante el alineamiento supervisado de SMILES requieren anotaciones de datos complejas y pueden restringir la diversidad del modelo.

Metodología

El artículo propone UAlign, un nuevo flujo de trabajo de grafo a secuencia libre de plantillas para la predicción de la retrosíntesis de un solo paso. La arquitectura consiste en un marco de codificador-decodificador con los siguientes componentes clave:

1. Codificador: EGAT+

En lugar de utilizar Transformers estándar o Redes Neuronales de Grafos (GNN) de forma aislada, UAlign emplea una Red de Atención de Grafos modificada llamada EGAT+.

Pasaje de Mensajes Consciente de Bordes: EGAT+ incorpora explícitamente la información de los enlaces químicos (características de borde) en el proceso de pasaje de mensajes junto con las características de los nodos.
Mecanismo: Aplica atención propia a los nodos y a sus vecinos de un salto, calculando coeficientes de atención basados tanto en las características de los nodos como en las de los bordes. Esto permite que el modelo capture las características estructurales y las propiedades de los enlaces químicos de manera más efectiva que las GNN estándar.
Salida: El codificador produce características de nodo $H$ que representan el grafo de la molécula de producto.

2. Alineamiento de SMILES No Supervisado

Una innovación central es el mecanismo de alineamiento de SMILES no supervisado, que aborda el problema de generar subestructuras inalteradas desde cero.

Concepto: Dado que los reactivos y los productos comparten una superposición estructural significativa, el modelo tiene como objetivo generar tokens SMILES de reactivos en un orden que corresponda al orden de los átomos del producto.
SMILES de Reactivos con Orden Preservado: El método define un "orden correspondiente al DFS" para los reactivos que minimiza la inversión de los rangos de los átomos con respecto al orden de Búsqueda en Profundidad (DFS) del producto.
Entrenamiento No Supervisado: A diferencia de los métodos de alineamiento supervisado que requieren etiquetas explícitas de mapeo de átomos (que pueden filtrar información durante la inferencia), UAlign entrena al modelo para generar tokens siguiendo el orden DFS dado del producto sin filtración explícita de etiquetas. Esto establece una correspondencia entre los átomos del producto y los tokens de los reactivos puramente a través de la restricción de orden.

3. Decodificador

Características Conscientes del Orden: El decodificador Transformer original es invariante a la permutación, lo cual es problemático para alinear átomos específicos con tokens específicos. UAlign añade codificación posicional a las características de los nodos del codificador basada en el rango de cada átomo en el orden DFS dado.
Generación: Estas características conscientes del orden sirven como claves (keys) y valores (values) en las capas de atención cruzada, permitiendo que el decodificador genere SMILES de reactivos de forma autorregresiva mientras mantiene la correspondencia estructural con el producto.

4. Estrategia de Entrenamiento

Entrenamiento en Dos Etapas:
1. Etapa 1 (Traducción de Grafo a SMILES): El modelo se entrena para traducir un grafo molecular en su representación SMILES correspondiente basada en un orden DFS específico. Esto alinea las distribuciones de las modalidades de grafo y SMILES y enseña al modelo a manejar patrones de SMILES no canónicos.
2. Etapa 2 (Retrosíntesis): El modelo se entrena para generar SMILES de reactivos que preservan el orden dado un grafo de producto y su orden DFS.
Aumento de Datos: Para prevenir el sobreajuste a los SMILES canónicos y mejorar la robustez, los datos de entrenamiento se aumentan sobre la marcha. Esto implica la selección aleatoria de órdenes DFS y, en algunos casos, la fusión de moléculas para formar nuevos grafos, asegurando que el modelo aprenda a manejar diversos componentes de grafos y restricciones de orden.

Principales Contribuciones

Nuevo Flujo de Trabajo de Grafo a Secuencia: UAlign introduce un enfoque totalmente libre de plantillas que aprovecha eficazmente las estructuras de grafos moleculares mediante EGAT+, superando las limitaciones de los modelos puros de secuencia a secuencia en la captura de información topológica.
Alineamiento de SMILES No Supervisado: El artículo propone un mecanismo no supervisado simple pero efectivo para establecer la correspondencia entre el átomo del producto y el token del reactivo. Esto evita la necesidad de anotaciones de datos complejas y la filtración de etiquetas, logrando un rendimiento superior a los métodos de alineamiento supervisado.
Entrenamiento en Dos Etapas y Aumento de Datos: La estrategia cierra eficazmente la brecha de distribución entre las representaciones de grafo y SMILES y permite que el modelo aprenda patrones de SMILES no canónicos, mejorando significativamente la validez y la precisión de la generación.

Resultados

Se realizaron experimentos extensos en tres conjuntos de datos de referencia: USPTO-50K, USPTO-FULL y USPTO-MIT.

Precisión: UAlign supera significativamente a los métodos de vanguardia (SOTA) libres de plantillas y semi-basados en plantillas.
- En USPTO-50K (clase de reacción desconocida), alcanzó precisiones Top-1, Top-5 y Top-10 de 53.6%, 84.6% y 90.3% respectivamente, superando al mejor baseline libre de plantillas por un 3.5%, 4.0% y 4.7% respectivamente.
- También compite o supera a métodos potentes basados en plantillas (por ejemplo, LocalRetro) en varios entornos.
- En USPTO-FULL, alcanzó una precisión Top-1 de 50.4%, excediendo al modelo SOTA GTA por un 3.8%.
Validez: El modelo demostró una validez de SMILES superior (99.8% Top-1) en comparación con otros baselines basados en SMILES, atribuido al entrenamiento de dos etapas y al aumento de datos.
Precisión de Viaje de Ida y Vuelta (Round-Trip Accuracy): UAlign logró la mayor precisión Top-1 de viaje de ida y vuelta (80.9%), superando tanto a los baselines basados en SMILES como a los basados en grafos, lo que indica la generación de rutas químicamente plausibles.
Estudios de Caso: El modelo predijo con éxito rutas sintéticas de múltiples pasos para moléculas complejas como Mitapivat, Pacritinib y Daprodustat, a menudo igualando o mejorando las rutas reportadas en la literatura.

Significado y Reivindicaciones

El artículo afirma que UAlign representa un avance significativo en la predicción de la retrosíntesis libre de plantillas al:

Cerrar la Brecha: Combina con éxito la conciencia estructural de las redes neuronales de grafos con la flexibilidad generativa de los Transformers.
Eficiencia: El mecanismo de alineamiento no supervisado permite al modelo reutilizar las subestructuras compartidas entre reactivos y productos sin la sobrecarga de anotaciones complejas o el riesgo de filtración de etiquetas.
Desempeño: Demuestra que un método bien diseñado libre de plantillas puede alcanzar una efectividad comparable a, o incluso superior a, los métodos establecidos basados en plantillas, ofreciendo al mismo tiempo una mejor escalabilidad y versatilidad para conjuntos de datos a gran escala.
Potencial Futuro: Los autores posicionan a UAlign como un robusto núcleo para la futura planificación de la retrosíntesis de múltiples pasos, aunque reconocen las limitaciones actuales en cuanto a interpretabilidad y diversidad de la generación.