Resumen Técnico: HiRes – Memoria de Precedentes Inspectable para la Recomendación de Condiciones de Reacción

Enunciado del Problema

La recomendación de condiciones de reacción es una tarea crítica aguas abajo en la planificación de síntesis impulsada por IA, que ocurre después de la selección de la desconexión retrosintética. Si bien los químicos requieren predicciones precisas para catalizadores, disolventes y reactivos, también necesitan los precedentes químicos concretos que justifiquen esas recomendaciones para garantizar la viabilidad experimental.

Los enfoques existentes suelen optimizar solo una mitad de este flujo de trabajo:

1. Clasificadores paramétricos mapean gráficos o cadenas de reacción directamente a etiquetas de condiciones, pero carecen de interpretabilidad inherente o recuperación de precedentes.
2. Memorias no paramétricas (por ejemplo, huellas dactilares Morgan, DRFP) ofrecen búsquedas eficientes de vecinos más cercanos, pero pueden carecer de la comprensión matizada de las transformaciones de reacción complejas.
3. Los sistemas semi-paramétricos en otros dominios sugieren que combinar predictores aprendidos con almacenes de datos externos mejora el rendimiento, pero esta integración no se ha realizado plenamente en una representación química unificada que sirva tanto como característica de clasificador como índice de precedentes inspectable.

El desafío central abordado por este artículo es: ¿Puede una única representación de reacción aprendida soportar tanto la predicción directa de condiciones como un índice de precedentes consultable en el momento de la decisión?

Metodología: HiRes (Representaciones Jerárquicas de Reacción)

HiRes es un sistema de recomendación de condiciones aumentado por recuperación, construido sobre una representación jerárquica de la reactividad química, que progresa desde la estructura molecular hasta las desconexiones de enlaces y finalmente hasta los patrones de reacción completos.

1. Arquitectura Jerárquica

El modelo sigue una progresión de tres niveles:

• Nivel 1: Representaciones de Moléculas: Los reactivos y productos se codifican utilizando una red de atención de grafos compartida de cuatro capas (GATv2) con nodos virtuales. Esto impone una base molecular común antes de razonar sobre la dirección de la reacción.
• Nivel 2: Representaciones de Desconexión: Las incrustaciones a nivel atómico interactúan mediante atención cruzada bidireccional. Si los mapas atómicos están disponibles, se aplica un sesgo de atención suave; de lo contrario, el modelo utiliza la atención cruzada estándar. El modelo genera dos descomposiciones sin parámetros:
  • $z_\Delta = p - r$: Enfatiza la transformación química.
  • $z_\Sigma = p + r$: Preserva el contexto de la reacción.
• Nivel 3: Representaciones de Reacción y Condiciones: El vector completo de reacción $z_{rxn}$ es una fusión con puerta de seis flujos explícitos:
  1. Contexto concatenado de reactivo-producto.
  2. Diferencia ($z_\Delta$).
  3. Suma ($z_\Sigma$).
  4. Descriptores diseñados (incluyendo Huellas Dactilares de Reacción Diferenciales, DRFP).
  5. Características derivadas de la DFT.
  6. Diferencia del centro de reacción.
     Este vector fusionado (de 256 dimensiones) se concatena con $z_\Delta$ y se introduce en cabezales MLP residuales para predecir los roles de catalizador, disolvente y reactivo. El entrenamiento utiliza supervisión multi-hot consciente de la ambigüedad con entropía cruzada binaria ponderada focal para manejar múltiples conjuntos válidos de condiciones.

2. Predicción Aumentada por Recuperación

HiRes integra una capa de recuperación no paramétrica para complementar los cabezales paramétricos:

• Indexación: Las reacciones de entrenamiento se indexan mediante sus incrustaciones aprendidas ($z_{rxn}$) utilizando FAISS.
• Inferencia Híbrida: Para una consulta, el sistema recupera $k=10$ vecinos más cercanos. La predicción final es una combinación ponderada de las probabilidades del cabezal aprendido ($p_{head}$) y las probabilidades de votación de los vecinos k-NN ($p_{knn}$):
  $$p_{hyb}(y | R) = \alpha p_{head}(y | R) + (1 - \alpha) p_{knn}(y | R)$$
  donde $\alpha = 0.5$ en la configuración fija.

Contribuciones Clave

1. Representación Unificada: Una única representación jerárquica que actúa simultáneamente como una característica de clasificador robusta y una memoria de precedentes inspectable, asociando cada recomendación con vecinos concretos.
2. Rendimiento de Vanguardia: Logró resultados de primer nivel en el benchmark principal USPTO-Condition, superando a las líneas base establecidas como REACON en la selección de disolventes y reactivos, mientras igualaba las mejores puntuaciones reportadas para catalizadores.
3. Complementariedad Validada Estadísticamente: Se demostró mediante análisis de bootstrap emparejado que fusionar los cabezales de predicción aprendidos con la recuperación k-NN produce ganancias estadísticamente significativas para la selección de disolventes y reactivos en comparación con los enfoques puramente paramétricos.
4. Evaluación Integrada: Mostró que un marco unificado puede agilizar el pipeline computacional para asistentes dirigidos a químicos, exponiendo vecinos inspectables junto con las predicciones.

Resultados Experimentales

El sistema fue evaluado en el conjunto de datos USPTO-Condition (680.741 reacciones) utilizando las divisiones estándar de entrenamiento/validación/prueba y los protocolos de evaluación de la Tabla S9 de REACON.

• Precisión del Slot Principal (Acc@1):
  • Catalizador: 0.929 (Empata con la mejor línea base reportada, por ejemplo, REACON D-MPNN).
  • Disolvente: 0.534 (Supera a REACON en +3.0 puntos).
  • Reactivo: 0.530 (Supera a REACON en +3.0 puntos).
• Híbrido vs. Paramétrico: El modelo híbrido (HiRes-Hybrid) mejoró la Acc@1 de Disolvente en +1.1 puntos y la Acc@1 de Reactivo en +1.0 puntos sobre los cabezales End2End puramente paramétricos. Estas ganancias se confirmaron como estadísticamente significativas (IC 95%) mediante bootstrap emparejado sobre 10.000 remuestreos.
• Comparación con Líneas Base: HiRes-Hybrid superó a las líneas base de búsqueda exacta DRFP en la predicción de disolventes y reactivos, demostrando que las representaciones aprendidas superan a las huellas dactilares estáticas en estos slots complejos.
• Nota sobre el Desequilibrio de Catalizadores: Los autores señalan explícitamente que el 87% de las filas de prueba de catalizadores se mapean a "ausente/Ninguno". Si bien la Acc@1 general es alta (0.929) debido a este desequilibrio, la Acc@1 "solo presente" es 0.604, lo que indica una potencia predictiva activa robusta.

Significado y Afirmaciones

El artículo afirma que HiRes cierra la brecha entre la precisión predictiva y la interpretabilidad química. Al utilizar el mismo espacio de reacción aprendido tanto para la clasificación como para la recuperación, HiRes proporciona:

• Recomendaciones Competitivas: Predicciones de alta precisión para catalizadores, disolventes y reactivos.
• Precedentes Accionables: Acceso inmediato a los precedentes químicos específicos que justifican la recomendación, lo cual es esencial para la planificación de síntesis práctica y la intervención experta.

Los autores posicionan a HiRes no como un motor de ejecución autónomo, sino como un sistema de apoyo a la decisión para químicos. Está diseñado para reducir el esfuerzo de búsqueda manual y aumentar la transparencia en los flujos de trabajo de síntesis asistida por IA, con la advertencia explícita de que las recomendaciones deben ser verificadas por químicos calificados y limitadas por procedimientos de seguridad. El trabajo establece que integrar la recuperación con cabezales de condiciones aprendidos proporciona una señal complementaria que es particularmente valiosa para la selección de disolventes y reactivos, donde los datos de precedentes son densos y altamente informativos.