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

RETROSPECTの技術要約：逐次的予測と化学的変換によるランキングを用いた逆合成解析

1. 問題定義

本論文は、標的分子を生成することができる前駆体分子を特定する課題である**単一ステップ逆合成（single-step retrosynthesis）**に取り組んでいる。著者らは、有用な単一ステップモデルは、既存のシステムでしばしば混同されている以下の2つの異なる要件を満たさなければならないと主張している。

1. 提案の正確性（Proposal Accuracy）： 正しい切断（disconnection）をランク付けされたリストの上位に配置すること。
2. 候補の豊富さ（Candidate Richness）： トップの提案が利用不能、安全でない、あるいは戦略的に不適切な場合に、下流のプランナーや化学者が選択できる、妥当な代替案を十分な数維持すること。

現在のシステムは、多くの場合、提案生成とランキングを単一のステージに統合している。本論文では、候補生成と候補選択を分離した**提案・選択の分解（proposal-selection decomposition）**を提案し、候補生成と候補選択を別々のモジュール化されたステージとして扱うことで、それぞれの具体的な貢献をより明確に理解することを目的としている。

2. 手法

提案されたシステムであるRETROSPECTは、提案モデル（proposal generator）と学習によるランキングを行うリランカー（learning-to-rank reranker）の2つの主要コンポーネントで構成されている。

A. 提案モデル：ChemAlign Transformer
ジェネレーターは、一連の候補前駆体を生成するように設計されたエンコーダ・デコーダ型のTransformerである。これはAugmented Transformerアーキテクチャを基礎としているが、いくつかの具体的な最適化を導入している。

• ハイブリッドSMILES拡張（Hybrid SMILES Augmentation）： 学習データは、ルート整列SMILES（root-aligned SMILES）（対応する原子の周囲で生成物と反応物のトラバーサルを整列させ、編集距離を縮めるもの）とランダムSMILES（トラバーサルの不変性を保持するもの）を混合して拡張されている。これにより、ハイブリッドな教師信号が作成される。
• アーキテクチャの強化： モデルは、安定した最適化のためのPre-LayerNorm、エンコーダ・デコーダ・出力プロジェクション間のタイド・エンベディング（tied embeddings）、および検証・推論用の指数移動平均（EMA）重みを利用している。
• 微分可能な補助損失（Differentiable Auxiliary Loss）： デコーダのソフトマックスから導出される期待元素数と、真の元素含有率との乖離にペナルティを与える、微分可能な原子バランス損失が追加されている。これにより、モデルが質量バランスの違反を回避するようにバイアスをかける（ただし、ハードな制約としてではなく）。
• 学習プロトコル： モデルはUSPTO-50Kデータセットの40,008件の反応を用いて学習される。その際、1反応あたり16件のルート整列SMILESと4件のランダムSMILESによる20倍のオフライン拡張が行われる。

B. リランキングモデル：LambdaMART
ジェネレーターが（複数のSMILESトラバーサル間で重複を除去した）マージ済みの候補プールを生成した後、LambdaMART（学習によるランキング）モデルが候補を再順序付けする。

• 特徴量： リランカーは以下の4つの特徴量ブロックを利用する。
  1. アップストリーム提案スコア： ジェネレーターからの生のスコア。
  2. 構造記述子： ファーマコフォア数、官能基、原子数の差分、およびフィンガープリント類似度（Morgan/MACCS）。
  3. 反応テンプレート記述子： テンプレート抽出可能性、ハッシュ化されたテンプレート識別子、および学習時に凍結されたテンプレート頻度統計。
  4. DFT由来の記述子（オプション）： HOMO、LUMO、ギャップ、双極子、硬さ、柔らかさ、およびフロンティア軌道特性に関する反応レベルの差異。
• 学習戦略： モデルは各生成物内においてグループ単位で、リストワイズのrank:ndcg目的関数を用いて学習される。グラデーション付きの関連性ラベルが使用され、正確な前駆体セットの一致には最高のゲインが付与される。重要な点として、データリークを防ぐために、頻度形式の統計量は学習スプリット上で凍結されている。

3. 主な貢献

1. モジュール型フレームワーク： 候補生成と候補選択を明確に分離し、提案の質とランキングの有効性を独立して分析することを可能にするRETROSPECTの導入。
2. ChemAlign Transformer： ハイブリッド拡張、Pre-LayerNorm、タイド・エンベディング、および原子バランス正則化を通じて、強力なシングルモデル性能を実現した洗練されたTransformerのバリアント。
3. LambdaMARTによるリランキングの実装： 構造、テンプレート、およびDFT特徴量を統合し、頻度統計の取り扱いに関する特定のプロトコルを備えた堅牢なリランキングパイプライン。
4. アブレーション解析： リランキング信号の源泉に関する詳細な調査を行い、アップストリームのスコアとテンプレート統計が支配的な要因であり、DFT特徴量は小さく一貫性の低い寄与しか持たないことを特定した。

4. 実験結果

システムは標準的なUSPTO-50Kテストセット（5,007件の反応）で評価された。

• シングルモデル性能（ジェネレーターのみ）：

  • Top-1 正解率： 55.00%
  • Top-10 正解率： 86.18%
  • Top-1 有効性（Validity）： 99.86%
  • アブレーションによる洞察： ハイブリッドなルート整列SMILES拡張が支配的な設計上の選択であり、スケーリングされたベースラインに対してTop-1正解率を9.23パーセントポイント向上させた。

• リランキング性能（フル版RETROSPECT）：

  • 製品あたり約111個の候補を含むマージ済み候補プールに対して評価。
  • Top-1 正解率： 55.00%から**59.4%**に向上。
  • Top-10 正解率： 86.18%から**93.06%**に向上。
  • 平均逆順位（MRR）： 0.7171。

• 特徴量の重要度：

  • アップストリームの提案スコアが単独で最も強力な特徴量である。
  • テンプレート頻度およびテンプレート識別子特徴量が次に大きなゲインを提供している。
  • DFTおよび反応中心DFTは、小さく一貫性のないゲインを示しており、これらが現在は構造およびテンプレート特徴量に次ぐ二次的な要素であることを示唆している。

5. 意義と主張

著者らは、意図的に保守的な立場をとってRETROSPECTを位置づけている。彼らは、すべてのコンポーネントが（RetroChimeraやEditRetroのような）最高の公開されているエンドツーエンドのベースラインを一様に上回るとは主張していない。代わりに、本論文は逆合成のモジュール的な視点を主張している。

1. 相補性： 強力なシングルモデルによる提案と、学習された候補選択は相補的である。提案モデルは豊かな候補プールを保証し、リランカーは学習された信号に基づいて順序を最適化する。
2. ドロップインとしての有用性： ChemAlign Transformerは競争力のあるスタンドアロンシステムとして提示されているが、特に（RetroChimeraのような）アンサンブルシステムのための魅力的なドロップイン・コンポーネントとして強調されている。
3. 科学的な明晰さ： この分解により、より明確な科学的結論が可能になる。すなわち、ルート整列拡張が提案の質を駆動し、現在の設定におけるリランキングのゲインは、複雑なDFT計算よりもむしろ提案スコアとテンプレートの事前分布によって駆動されているということである。

著者らは、USPTO-50Kにおける完全一致の正解率は標準的な指標ではあるものの、本システムは自律的なプランナーとしてではなく、化学者のための意思決定支援ツールとして設計されており、実用的な展開においては人間のレビューと安全確認の必要性を強調している。