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

Imaginez un monde où les chimistes pourraient prédire le résultat d'une réaction chimique avec la même facilité qu'un prévisionniste météo prédisant la pluie. C'est l'objectif de la synthèse assistée par ordinateur, un domaine dédié à aider les scientifiques à concevoir de nouveaux médicaments et matériaux en simulant le comportement des molécules avant même de les mélanger dans un laboratoire. Au cœur de ce défi se trouve une question simple mais difficile : si vous mélangez ces ingrédients de départ spécifiques, quelle nouvelle molécule exacte se formera ? Pendant des décennies, les chercheurs se sont appuyés sur deux approches principales pour répondre à cette question. Une approche traite les molécules comme des phrases, utilisant de puissants programmes informatiques pour traduire une chaîne de symboles chimiques des composants de départ en une chaîne pour le produit. L'autre approche traite les molécules comme des cartes, utilisant des réseaux de points et de lignes pour suivre comment les atomes se connectent et se réorganisent. Bien que les deux méthodes aient leurs forces, elles peinent souvent à voir l'image complète par elles-mêmes. Les méthodes basées sur les phrases sont rapides mais peuvent manquer la réalité physique de la liaison des atomes, tandis que les méthodes basées sur les cartes sont précises mais peuvent être lentes et difficiles à appliquer à des mélanges complexes.

Une équipe de chercheurs issus d'universités d'Ouzbékistan a maintenant développé une nouvelle façon de combiner ces deux forces sans les forcer à entrer en compétition. Ils ont créé un système qui utilise un programme informatique rapide, basé sur le langage, pour générer une courte liste de résultats possibles pour une réaction, puis emploie un programme spécialisé de lecture de cartes pour vérifier lequel de ces résultats fait le plus de sens physique. Leur travail, publié dans une étude récente, montre qu'en ajoutant une seconde couche de contrôle focalisée sur l'endroit spécifique où le changement chimique se produit, ils peuvent améliorer considérablement la précision des prédictions. Il ne s'agit pas de remplacer les outils existants, mais plutôt de leur donner une manière plus intelligente de choisir la bonne réponse parmi une liste de bonnes suppositions.

Les chercheurs ont commencé par une collection massive de réactions chimiques, spécifiquement un ensemble de données de près de 48 000 réactions qui avaient été soigneusement nettoyées et vérifiées pour garantir que les connexions entre les atomes étaient correctes. Ils ont d'abord entraîné un modèle informatique compact, basé sur un type d'intelligence artificielle connu sous le nom de Transformer, pour agir comme un générateur. Ce modèle lit les formules chimiques des composants de départ et produit une liste de cinq produits probables, de la même manière qu'un correcteur orthographique suggère des corrections pour une faute de frappe. Dans leur test initial, ce générateur était correct environ un tiers du temps lorsqu'il ne considérait que son premier choix. Cependant, les chercheurs ont remarqué que la bonne réponse se trouvait souvent juste en dessous du premier choix, cachée parmi les autres suggestions. Le problème n'était pas que le générateur ne pouvait pas trouver la bonne réponse, mais qu'il ne pouvait pas toujours la classer comme la plus probable.

Pour résoudre ce problème de classement, l'équipe a introduit un second modèle conçu pour agir comme un arbitre. Cet arbitre est un réseau de neurones graphiques, un type de programme qui comprend les molécules comme des réseaux de points connectés. Contra à le générateur, qui regarde la molécule entière comme une séquence de symboles, cet arbitre se concentre intensément sur le « centre de réaction » — les quelques atomes spécifiques où les liaisons sont rompues et formées pendant le changement chimique. Les chercheurs ont appris à cet arbitre à reconnaître les signes subtils d'une transformation chimique valide. Ils ont amélioré les données d'entraînement pour inclure non seulement des changements de liaisons, mais aussi des changements dans l'état des atomes individuels, tels que des variations de leur charge électrique ou du nombre d'atomes d'hydrogène attachés à eux. Cela a permis à l'arbitre de repérer des réactions valides que les anciennes méthodes auraient pu manquer.

Le système fonctionne en deux étapes distinctes. D'abord, le générateur crée sa liste de cinq candidats. Ensuite, le modèle arbitre figé, qui a été entraîné séparément et n'est pas modifié lors de cette étape finale, examine chaque candidat un par un. Pour chaque produit proposé, l'arbitre examine les composants de départ pour voir si les atomes impliqués dans le changement correspondent au schéma d'une réaction chimique réelle. Il attribue un score basé sur la cohérence du produit proposé avec la réalité physique des composants de départ. Enfin, un trieur mathématique simple combine le classement original du générateur avec les nouveaux scores de cohérence de l'arbitre pour produire une liste finale réordonnée.

Les résultats de cette approche hybride étaient clairs et mesurables. Lorsque les chercheurs ont testé le système sur un ensemble de réactions qu'il n'avait jamais vues auparavant, le générateur original était correct 32,99 % du temps. Après avoir ajouté le contrôle de cohérence de l'arbitre et le réordonnancement de la liste, la précision est montée à 35,37 %. Bien que cette augmentation puisse sembler faible, dans le monde de la prédiction chimique, elle représente une amélioration significative. Le nouveau système a réussi à récupérer 127 réactions que le générateur original avait manquées, tout en ne changeant par erreur que 14 réponses correctes en mauvaises réponses. Des tests statistiques ont confirmé que cette amélioration n'était pas due au hasard, mais qu'il s'agissait d'un effet réel et fiable de la combinaison de ces deux types d'informations différents.

L'étude a également révélé où cette méthode fonctionne le mieux et où se trouvent ses limites. L'amélioration était constante pour les réactions impliquant des petites, moyennes et grandes molécules, ainsi que pour celles impliquant différents nombres de composants de départ. Cependant, le système a eu des difficultés avec les réactions les plus complexes, spécifiquement celles impliquant trois ou plus de points de changement distincts se produisant simultanément. Dans ces cas, la capacité de l'arbitre à résumer la réaction en un score unique n'était pas suffisante pour capturer la complexité des changements simultanés. Cette conclusion suggère que, bien que la méthode soit très efficace pour de nombreuses transformations chimiques courantes, les versions futures devront être plus sophistiquées pour gérer les réactions comportant plusieurs changements largement espacés se produisant simultanément.

En fin de compte, cette recherche démontre que l'avenir de la prédiction chimique ne réside peut-être pas dans la construction d'un seul supercalculateur massif, mais dans la combinaison intelligente d'outils spécialisés différents. En laissant un générateur rapide à large spectre effectuer le gros du travail de création de possibilités, et un arbitre focalisé et attentif aux détails vérifier la plausibilité physique de ces possibilités, les chercheurs ont obtenu un résultat plus précis que ce qu'un seul de ces outils aurait pu produire seul. Ce travail offre un schéma directeur pratique pour améliorer les logiciels chimiques existants sans avoir besoin de réentraîner complètement les modèles sous-jacents, offrant une voie vers une synthèse assistée par ordinateur plus fiable pour les scientifiques concevant la prochaine génération de médicaments et de matériaux.