Reaction-Transformation-Aware Flow Matching for Generalizable Transition State Generation

技術要約：汎用的な遷移状態生成のための反応・変換認識型フローマッチング

問題提起
遷移状態（TS）は、ポテンシャルエネルギー面（PES）における一次鞍点であり、素反応のエネルギー障壁とメカニズム経路を定義するものである。これらの構造を特定することは計算コストが高く、従来のメソッドは、密度汎関数理論（DFT）などの高コストな量子力学的計算と、鞍点最適化アルゴリズムを繰り返すことに依存している。近年の機械学習（ML）アプローチは、反応の終点（反応物と生成物）から構造を予測することで遷移状態生成を加速させているが、既存の手法は主に、終点間の幾何学的な対応関係を学習している。これらは、素反応の根底にある構造変化（結合の再編成や原子環境の変化など）を、暗黙的に表現されているものとして扱っていることが多い。さらに、現在の幾何学的定式化は、反応物、TS、生成物の間で高次の等変（equivariant）情報を交換することを容易にする、統一された原子整列表現を欠いていることが多い。この制限は、未知の分子サイズや化学量論を持つ、分布外（OOD）の反応に対するTS生成器の汎用性を妨げている。

手法：TransTSフレームワーク
著者らは、原子マッピングされた反応物・生成物ペアから、汎用的なTS幾列を生成するために設計された、反応・変換認識型フレームワークであるTransTSを導入する。この手法は、以下の3つのコアコンポーネントを統合している。

1. 反応・変換認識型表現：
   終点の幾何学を一様に扱う従来のモデルとは異なり、TransTSは原子レベルの構造変化を明示的に学習する。本手法は、原子マッピングされた反応物および生成物のコンフォメーションを処理する、共有パラメータを持つデュアルエンコーダを採用している。主要モジュールであるCross-State Fusionは、反応物と生成物の対応する原子間での情報交換を行う。これにより、ネットワークは、安定した幾好的コンテキストを提供する保存されたスキャフォールド領域と、反応特有の条件付けを受ける局所的な環境変化を起こす原子を区別することができる。この設計により、終点の差異が明示的となり、変換に基づいた条件付けを生成に提供する。

2. 統一された原子整列幾何学フレームワーク：
   クロスステートの情報交換を可能にするため、TransTSは反応物、TS、生成物を単一の整列されたフレーム内に表現する。本フレームワークは、座標を重心除去（com-free）部分空間にマッピングし、Kabstopアルゴリズムを用いて生成物を反応物に剛体的に整列させることで、**カノニカルアンカー（canonical anchor）**を構築する。このアンカーは、反応方向（順反応または逆反応）に対して対称である。TS生成器はこの統一されたフレーム内で動作し、変化のないスキャフォールド領域からの情報の再利用を可能にすると同時に、構造再編成が行われる原子や結合にモデリング能力を集中させる。

3. アンカー整列型フローマッチング：
   生成プロセスには**条件付きフローマッチング（CFM）**を利用する。モデルは、ノイズを含んだ初期状態をターゲットとなるTS幾何学へと輸送する、時間条件付きの等変速度場を学習する。決定的なことに、フローパスは推論されたカノニカルアンカーを用いて構築される。学習の軌跡は、ノイズ源とターゲットTSの両方をこのアンカーに整列させ、正確な直線補間パスを作成する。このアプローチは、観測可能な反応物および生成物のみから導出されるアンカーを用いることで、最適輸送の現実的な代用として機能し、学習と推論の間の整合性を確保する。

主な貢献

• 明示的な変換学習： TransTSは、単純な幾何学的対応を超えて、反応終点間の原子レベルの構造変化をTS生成のための条件付け信号として明示的にモデル化した初のフレームワークである。
• 統一された等変表現： 反応物、生成物、およびTSの間で、高次の等変情報の直接的な交換を可能にする、統一された原子整列幾何学フレームワークを提案する。
• 堅牢なOOD汎用性： 反応・変換認識を活用することで、TransTSは、ゼロショットOOD設定において、最先端のベースラインと比較して優れた汎用性を達成する。
• 検証中心の評価： 著者らは、幾何学的類似性（RMSD）だけでなく、生成された構造の量子化学的精緻化への初期値としての有用性（最適化成功率および反応正当性率）を評価する厳格な評価プロトコルを導入している。

結果
TransTSの性能は、Transition1xデータセット（内分布、IID）および、GDB化学宇宙から派生した2つの困難なOODベンチマークであるGDB-10-rxnおよびGDB-17-rxxを用いて評価された。

• IID性能： Transition1xのみで学習した場合、TransTSはReact-OTなどのベースラインと比較して、最適化前のRMSDにおいて最低値は達成できなかった。しかし、最適化後の指標（最適化成功率および反応正当性）においては競争力のある結果を示した。学習セットをより大規模なRGD1データセットで拡張した場合、TransTSは元のサブセットおよびチェック済みの両方のサブセットにおいて最低中央値RMSDを達成し、スケーリングが幾何学的忠実度の向上に寄与することを実証した。
• ゼロショットOOD性能： TransTSは、ゼロショット設定において顕著な優位性を示した。GDB-10-rxnおよびGDB-17-rxnにおいて、すべての手法の中で最も低い最適化前RMSDを達成した。より重要なことに、最適化後の性能においても優れた結果を示した。例えば、Transition1xのみで学習した場合、TransTSはGDB-10-rxnのケースの**55.1%**で意図した反応を復元し、2番目に優れた手法を13.3ポイント上回った。GDB-17-rxnでは、37.9%の反応正当性を達成し、次点のモデルを13.2ポイント上回った。
• スケーリング効果： 反応のカバー範囲（Transition1x + RGD1）およびモデル容量の増加は、すべてのベンチマークにおいて一貫した改善をもたらした。この利得は、最も要求の厳しいOOD設定（GDB-17-rxn）で最も顕著であり、反応正当性は20.7ポイント向上した。
• 構造的進化： GDB-10-rxnに関するケーススタディでは、TransTSが、結合形成と水素移動の結合といった特徴的な反応中心の構造進化を、ベースラインと比較して反応コア距離の平均絶対誤差を低く抑えつつ、効果的に復元していることが示された。

意義と主張
本論文は、反応・変換認識型生成が、化学反応空間の計算論的探索を加速するための有望な戦略であることを提唱している。著者らは、素反応に関連する構造変化を明示的にモデル化することで、TransTSが、特に標準的なベンチマークの狭い分布外にある反応に対して、量子化学的精緻化のためのより信頼性の高い初期値を提供できると主張している。未知の分子サイズや複雑な化学量論への汎用性は、より広範な反応ネットワークの構築や触媒の合理的設計をサポートできることを示唆している。著者らは、現在の評価が有機CHNO反応空間に限定されていること、および正確な座標レベルの生成はデータ規模に依存していることを控えめに述べており、高精度なアプリケーション（例：遷移金属、ラジカルなどのより複雑な化学環境）にはさらなるスケーリングが必要であることを示唆している。