Riepilogo Tecnico: Progetto Ariadne

Definizione del Problema

La pianificazione retrosintetica mira a connettere una molecola target a materiali di partenza commercialmente disponibili attraverso un percorso multistep. Sebbene gli approcci classici si affidino a modelli di reazione iterativi a singolo step accoppiati ad algoritmi di ricerca (ad es., MCTS), questi metodi richiedono spesso algoritmi specializzati o modifiche architettoniche per gestire specifici vincoli di pianificazione, come la profondità del percorso o i materiali di partenza richiesti. Metodi di generazione diretta sono emersi per inquadrare la retrosintesi come generazione di sequenze, ma i modelli esistenti richiedono tipicamente un addestramento separato per diverse specifiche di pianificazione (ad es., un modello per percorsi non vincolati, un altro per percorsi con vincolo di profondità). Questa frammentazione limita la flessibilità e l'efficienza dei sistemi di pianificazione della sintesi.

Metodologia

Gli autori introducono Ariadne, un modello transformer decoder-only che unifica la rappresentazione del target, i vincoli di pianificazione opzionali e la generazione del percorso in un'unica sequenza prompt-completion.

Rappresentazione dei Dati

A differenza degli approcci encoder-decoder precedenti (ad es., DirectMultiStep) che trattano la retrosintesi come un compito di traduzione, Ariadne rappresenta l'intero compito di pianificazione della sintesi come una S-expression radicata all'interno di una singola sequenza:

• Struttura: (task (spec ...) (route ...))
• Specificazione (spec): Contiene la molecola target (query (mol ...)) e vincoli opzionali come route_depth o required_leaves.
• Percorso (route): Una struttura ad albero ricorsiva dove i nodi foglia rappresentano i materiali di partenza (leaf (mol ...)) e i nodi interni rappresentano le reazioni (reaction (mol ...) (children ...)).
• Tokenizzazione: Il modello utilizza un tokenizer compatto, consapevole delle S-expression, in cui le etichette strutturali sono token atomici e le stringhe SMILES sono tokenizzate carattere per carattere.

Strategia di Addestramento

• Architettura: Ariadne impiega un'architettura decoder-only con pre-normalizzazione, RMSNorm, rotary position embeddings (RoPE) e blocchi feed-forward SwiGLU. Il modello scala principalmente aumentando il numero di layer (varianti 12L e 24L) mantenendo costante la dimensione nascosta (256) e le teste di attenzione (8).
• Condizionamento del Prompt: Il modello è addestrato per generare la porzione route della sequenza condizionata sulla porzione spec. Variando il blocco spec (ad es., aggiungendo vincoli di profondità o specifici materiali di partenza), lo stesso checkpoint può essere interrogato con diverse specifiche di task al momento dell'inferenza.
• Data Augmentation: I dati di addestramento includono permutazioni dell'ordine dei fratelli (sibling order) nell'albero del percorso per garantire l'invarianza rispetto all'ordine dei precursori.
• Dataset: I modelli sono stati addestrati sul dataset PaRoutes (split v2026-05-12) preprocessato con RetroCast, utilizzando sia split di route-holdout che di reaction-holdout per prevenire la fuga di dati (data leakage).

Framework di Valutazione

Gli autori valutano Ariadne utilizzando il framework RetroCast, concentrandosi su:

• Validità Tier-0: La proporzione di target con almeno un percorso in cui tutte le reazioni sono chimicamente valide (Tier-0).
• Solv-0: La proporzione di target con almeno un percorso valido per il Tier-0 che soddisfa specifici vincoli di task di scoring (ad es., terminazione in ASKCOS Buyables, profondità specifica o materiali di partenza richiesti).
• Accuratezza Top-K: La capacità di ricostruire un percorso di riferimento all'interno dei primi K candidati.
• Benchmark: La valutazione primaria utilizza la famiglia mkt-cnv-160 (varianti target-only, depth-constrained e leaf-constrained) e i benchmark ref-* (utilizzando stock di riferimento personalizzati).

Contributi Chiave

1. Generazione Condizionata da Prompt Unificata: Ariadne dimostra che la generazione di percorsi multistep può essere formulata come un singolo compito decoder-only dove i vincoli sono gestiti tramite campi di prompt anziché tramite addestramento di modelli separati.
2. Efficienza nella Pianificazione Vincolata: Il modello raggiunge prestazioni state-of-the-art sui task vincolati (profondità e materiali di partenza richiesti) utilizzando un singolo checkpoint, superando significativamente i pianificatori a ricerca bidirezionale come DESP sia in accuratezza che in costo computazionale.
3. Decoupling di Generalizzazione e Pianificazione: Lo studio fornisce metriche diagnostiche (ad es., Route|Root accuracy) per separare la capacità del modello di selezionare la prima disconnessione dalla sua capacità di completare il resto del percorso, rivelando che il collo di bottiglia principale è spesso la scelta della disconnessione iniziale.
4. Rilascio Open-Source: Gli autori rilasciano il codice e gli script di addestramento per supportare ulteriori ricerche nella generazione di percorsi strutturali condizionata da prompt.

Risultati

• Rispetto dei Vincoli: Sui benchmark mkt-cnv-160, l'aggiunta di campi di prompt per i vincoli ha migliorato significativamente le prestazioni.
  • Vincoli di Profondità: Il Solv-0 è aumentato dal 76,9% (target-only) al 90,6% quando la profondità richiesta era inclusa nel prompt.
  • Vincoli di Leaf Richiesti: Il Solv-0 è aumentato dal 50,0% all'81,2%, e la ricostruzione Top-10 è migliorata dal 26,2% al 37,5% quando veniva fornito un materiale di partenza specifico nel prompt.
• Confronto con Pianificatori Basati su Ricerca: Sul benchmark dei leaf richiesti, Ariadne (24L) ha ottenuto l'81,2% di Solv-0 e il 37,5% di Top-10 in 24 minuti di GPU, superando la migliore configurazione di DESP (71,2% Solv-0, 17,5% Top-10) che ha richiesto 6,8 ore di GPU (un'accelerazione di circa 17x).
• Ricostruzione Standard: Sui task standard target-only, Ariadne 24L è paragonabile a DMS Explorer XL (50M parametri) in termini di accuratezza Top-10 (59,4% vs 57,5%), ma con circa la metà del tempo di inferenza (23,9 min vs 47,6 min).
• Prestazioni su Holdout: Ariadne mostra guadagni significativi rispetto a MCTS sui benchmark di route-holdout (Top-10: 59,4% vs 40,6%), suggerendo una migliore capacità di assemblare reazioni note in nuovi percorsi. Tuttavia, sui benchmark di reaction-holdout, MCTS rimane più forte in Solv-0, indicando che i metodi basati sulla ricerca mantengono ancora un vantaggio nella generalizzazione verso trasformazioni reattive non viste.
• Limitazioni del Condizionamento dello Stock: Quando valutato su benchmark che richiedono la terminazione in stock di riferimento personalizzati (non solo buyables commerciali), le prestazioni di Ariadne scendono significativamente rispetto a MCTS (ad es., 68,2% vs 85,2% Solv-0 su ref-cnv-400), evidenziando un limite attuale nel condizionare la generazione su set di stock arbitrari definiti dall'utente.

Significatività e Claim

Il paper sostiene che Ariadne estende la generazione di sequenze dai modelli specialistici di retrosintesi alla generazione di percorsi strutturali condizionata da prompt. La principale significatività risiede nel dimostrare che un singolo modello decoder-only può gestire molteplici specifiche di pianificazione (non vincolata, con vincolo di profondità e con vincolo di leaf) senza riaddestramento, offrendo un'alternativa più flessibile ed efficiente dal punto di vista computazionale ai pianificatori basati sulla ricerca per specifici tipi di vincoli.

Tuttavia, gli autori mantengono una posizione modesta riguardo all'utilità sperimentale immediata. Essi dichiarano esplicitamente che:

• I modelli non introducono controllori di percorso Tier-1–3 (ad es., plausibilità della reazione, predizione delle condizioni), che rimangono il principale collo di bottiglia per l'applicazione sperimentale.
• L'approccio attuale non può ancora condizionare la generazione su set di stock arbitrari specificati dall'utente, un requisito critico per la pianificazione pratica che coinvolge building blocks interni.
• Il lavoro non è inteso a sostituire la ricerca esplicita (MCTS), bensì a offrire un asse di scaling complementare in cui generatori appresi ammortizzano strutture di percorso ricorrenti per un'inferenza più veloce, potenzialmente in un sistema ibrido in cui la ricerca genera traiettorie per la distillazione.

Il paper conclude che, sebbene Ariadne rappresenti un passo significativo verso una pianificazione della sintesi unificata, sono necessarie ulteriori ricerche sulla generazione condizionata da stock, sulla selezione della prima disconnessione affidabile e su protocolli di validazione standardizzati prima che questi modelli possano essere pienamente affidati ai chimici sperimentali.