RETROSPECT: RETROsynthesis via Sequential Prediction, and Chemically Transformed-ranking

Resumen Técnico de RETROSPECT: Retrosíntesis mediante Predicción Secuencial y Clasificación Químicamente Transformada

1. Definición del Problema

El artículo aborda el desafío de la retrosíntesis de un solo paso, que consiste en identificar moléculas precursoras capaces de producir una molécula objetivo. Los autores argumentan que un modelo útil de un solo paso debe satisfacer dos requisitos distintos que a menudo se confunden en los sistemas existentes:

1. Precisión de la Propuesta: Colocar una desconexión correcta cerca de la parte superior de una lista clasificada.
2. Riqueza de Candidatos: Preservar un número suficiente de alternativas plausibles para la selección posterior (por un planificador o un químico) cuando la sugerencia principal no está disponible, es insegura o estratégicamente deficiente.

Los sistemas actuales suelen integrar la generación de propuestas y la clasificación en una sola etapa. Este artículo propone una descomposición de propuesta-selección, tratando la generación de candidatos y la selección de candidatos como etapas separadas y modulares para comprender mejor las contribuciones específicas de cada una.

2. Metodología

El sistema propuesto, RETROSPECT, consta de dos componentes principales: un generador de propuestas y un reclasificador (reranker) de aprendizaje de clasificación (learning-to-rank).

A. Modelo de Propuesta: El ChemAlign Transformer
El generador es un Transformer de codificador-decodificador diseñado para producir un conjunto de precursores candidatos. Se basa en la arquitectura Augmented Transformer, pero introduce varias optimizaciones específicas:

• Aumento Híbrido de SMILES: Los datos de entrenamiento se aumentan utilizando una mezcla de SMILES alineados por raíz (que alinean los recorridos de producto y reactivo alrededor de átomos correspondientes para reducir la distancia de edición) y SMILES aleatorios (para preservar la invarianza de recorrido). Esto crea una señal de supervisión híbrida.
• Mejoras Arquitectónicas: El modelo utiliza Pre-LayerNorm para una optimización estable, incrustaciones (embeddings) vinculadas entre el codificador, el decodificador y la proyección de salida, y pesos de Media Móvil Exponencial (EMA) para la validación e inferencia.
• Pérdida Auxiliar Diferenciable: Se añade una pérdida de balance de átomos diferenciable que penaliza las desviaciones entre los conteos de elementos esperados (derivados del softmax del decodificador) y las fracciones de elementos reales. Esto sesga al modelo para evitar violaciones de balance de masa sin actuar como una restricción estricta.
• Protocolo de Entrenamiento: El modelo se entrena con 40,008 reacciones del conjunto de datos USPTO-50K, utilizando un aumento offline de 20 veces (16 alineados por raíz y 4 aleatorios por reacción).

B. Modelo de Reclasificación: LambdaMART
Una vez que el generador produce un conjunto de candidatos fusionado (deduplicado a través de múltiples recorridos de SMILES), un modelo LambdaMART (Learning to Rank) reordena los candidatos.

• Características (Features): El reclasificador utiliza cuatro bloques de características:
  1. Puntuación de Propuesta Upstream: La puntuación bruta del generador.
  2. Descriptores Estructurales: Conteos de farmacóforos, grupos funcionales, deltas de conteo de átomos y similitudes de huellas dactilares (Morgan/MACCS).
  3. Descriptores de Plantilla de Reacción: Extraibilidad de la plantilla, identificadores de plantilla con hash y estadísticas de frecuencia de plantillas congeladas durante el entrenamiento.
  4. Descriptores Derivados de DFT (Opcional): Diferencias a nivel de reacción en HOMO, LUMO, brecha (gap), dipolo, dureza, suavidad y características de orbitales frontera.
• Estrategia de Entrenamiento: El modelo se entrena de forma agrupada dentro de cada producto utilizando un objetivo de lista rank:ndcg. Se utilizan etiquetas de relevancia graduadas, donde las coincidencias exactas de conjuntos de precursores reciben la mayor ganancia. Crucialmente, las estadísticas de tipo frecuencia se congelan en la partición de entrenamiento para evitar la fuga de datos (data leakage).

3. Contribuciones Clave

1. Marco Modular: La introducción de RETROSPECT, que separa claramente la generación de candidatos de la selección de candidatos, permitiendo un análisis independiente de la calidad de la propuesta y la eficacia de la clasificación.
2. ChemAlign Transformer: Una variante refinada de Transformer que logra un fuerte rendimiento de un solo modelo mediante aumento híbrido, Pre-LayerNorm, incrustaciones vinculadas y regularización de balance de átomos.
3. Implementación de Reclasificación con LambdaMART: Un flujo de trabajo de reclasificación robusto que integra características estructurales, de plantilla y de DFT, con protocolos específicos para el manejo de estadísticas de frecuencia.
4. Análisis de Ablación: Una investigación detallada sobre la fuente de las señales de reclasificación, identificando que las puntuaciones upstream y las estadísticas de plantillas son los factores dominantes, mientras que las características de DFT proporcionan ganancias menores y menos consistentes.

4. Resultados Experimentales

El sistema fue evaluado en el conjunto de prueba estándar USPTO-50K (5,007 reacciones).

• Rendimiento de Modelo Único (Solo Generador):

  • Precisión Top-1: 55.00%
  • Precisión Top-10: 86.18%
  • Validez Top-1: 99.86%
  • Perspectiva de Ablación: El aumento de SMILES alineados por raíz fue la elección de diseño dominante, mejorando la precisión Top-1 en 9.23 puntos porcentuales respecto a una línea base escalada.

• Rendimiento de Reclasificación (RETROSPECT Completo):

  • Evaluado en un conjunto de candidatos fusionados de aproximadamente 111 candidatos por producto.
  • Precisión Top-1: Mejoró de 55.00% a 59.4%.
  • Precisión Top-10: Mejoró de 86.18% a 93.06%.
  • Rango Recíproco Medio (MRR): 0.7171.

• Importancia de las Características:

  • La puntuación de propuesta upstream es la característica más fuerte por sí sola.
  • Las características de frecuencia e identidad de la plantilla proporcionan las siguientes mayores ganancias.
  • Las características de DFT y de DFT del centro de reacción mostraron ganancias pequeñas e inconsistentes, lo que sugiere que actualmente son secundarias a las características estructurales y de plantilla.

5. Significado y Reivindicaciones

Los autores posicionan RETROSPECT con una postura deliberadamente conservadora. No afirman que cada componente supere uniformemente a las mejores líneas base end-to-end publicadas (por ejemplo, RetroChimera o EditRetro). En su lugar, el artículo aboga por una visión modular de la retrosíntesis:

1. Complementariedad: Las propuestas de modelos únicos más fuertes y la selección de candidatos aprendida son complementarias. El modelo de propuesta asegura un conjunto rico de candidatos, mientras que el reclasificador optimiza el ordenamiento basado en señales aprendidas.
2. Utilidad de Inserción (Drop-in): El ChemAlign Transformer se presenta como un sistema independiente competitivo, pero se destaca específicamente como un atractivo componente de inserción para sistemas de ensamble (como RetroChimera).
3. Claridad Científica: La descomposición permite conclusiones científicas más claras: el aumento de SMILES alineados por raíz impulsa la calidad de la propuesta, mientras que las ganancias de la reclasificación en la configuración actual son impulsadas principalmente por las puntuaciones de propuesta y los priors de las plantillas, más que por cálculos complejos de DFT.

Los autores concluyen que, si bien la precisión de coincidencia exacta en USPTO-50K es una métrica estándar, el sistema está diseñado como una herramienta de apoyo a la decisión para químicos más que como un planificador autónomo, enfatizando la necesidad de revisión humana y controles de seguridad en el despliegue práctico.