Project Ariadne: Prompt-Conditioned Route Generation for Synthesis Planning

기술 요약: 프로젝트 아리아드네 (Project Ariadne)

문제 정의

역합성 계획(Retrosynthetic planning)은 다단계 경로를 통해 타겟 분자를 상업적으로 이용 가능한 출발 물질로 연결하는 것을 목표로 한다. 고전적인 접근 방식은 반복적인 단일 단계 반응 모델과 탐색 알고리즘(예: MCTS)을 결에도 결합하여 사용하지만, 이러한 방법들은 경로 깊이(route depth)나 필수 출발 물질과 같은 특정 계획 제약 조건을 처리하기 위해 특화된 알고리즘이나 구조적 변경을 요구하는 경우가 많다. 직접 생성 방식(Direct generation methods)은 역합성을 시퀀스 생성으로 재정의하는 새로운 흐름을 만들어냈으나, 기존 모델들은 서로 다른 계획 사양(예: 제약 없는 경로용 모델과 깊이 제약이 있는 경로용 모델)에 대해 별도의 학습을 필요로 하는 경향이 있다. 이러한 파편화는 합성 계획 시스템의 유연성과 효율성을 제한한다.

방법론

저자들은 타겟 표현, 선택적 계획 제약, 그리고 경로 생성을 하나의 프롬프트-완성 시퀀스로 통합한 디코더 전용 트랜스포머(decoder-only transformer) 모델인 **아리아드네(Ariadne)**를 소개한다.

데이터 표현

역합성을 번역 작업으로 취급하는 기존의 인코더-디코더 방식(예: DirectMultiStep)과 달리, 아리아드네는 전체 합성 계획 작업을 단일 시퀀스 내의 루트 S-표현식(rooted S-expression)으로 표현한다:

• 구조: (task (spec ...) (route ...))
• 사양(spec): 타겟 분자 (query (mol ...))와 route_depth 또는 required_leaves와 같은 선택적 제약 조건을 포함한다.
• 경로(route): 리프 노드는 출발 물질 (leaf (mol ...))을 나타내고, 내부 노드는 반응 (reaction (mol ...) (children ...))을 나타내는 재귀적 트리 구조이다.
• 토큰화: 모델은 구조적 레이블은 원자적 토큰으로, SMILES 문자열은 문자 단위로 토큰화하는 소규모 S-표현식 인식 토크나이저를 사용한다.

학습 전략

• 아키텍처: 아리아드네는 사전 정규화(pre-normalization), RMSNorm, 회전 위치 임베딩(RoPE), SwiGLU 피드포워드 블록을 갖춘 디코더 전용 아키텍처를 채택한다. 모델은 은닉 크기(256)와 어텐션 헤드 수(8)를 일정하게 유지하면서 주로 레이어 수(12L 및 24L 변체)를 늘림으로써 스케일링한다.
• 프롬프트 컨디셔닝(Prompt Conditioning): 모델은 spec 부분에 조건화되어 route 부분의 시퀀스를 생성하도록 학습된다. spec 블록을 변경함으로써(예: 깊이 제약 추가 또는 특정 출발 물질 지정), 동일한 체크포인트를 추론 시점에 다양한 작업 사양으로 쿼리할 수 있다.
• 데이터 증강: 경로 트리의 형제 노드 순서를 치환하는 방식을 포함하여, 전구체 순서에 대한 불변성을 보장하도록 학습 데이터를 구성한다.
• 데이터셋: 모델은 RetroCast로 전처리된 PaRoutes 데이터셋(v2026-05-12 분할)을 사용하여 학습되었으며, 데이터 누수를 방지하기 위해 경로 홀드아웃(route-holdout) 및 반응 홀드아웃(reaction-holdout) 분할을 모두 활용하였다.

평가 프레임워크

저자들은 RetroCast 프레임워크를 사용하여 아리아드네를 평가하며, 다음 사항에 집중한다:

• Tier-0 유효성: 모든 반응이 화학적으로 유효한 경로가 적어도 하나 존재하는 타겟의 비율(Tier-0).
• Solv-0: 특정 스코어링 작업 제약(예: ASKCOS Buyables에서의 종료, 특정 깊이, 또는 필수 출발 물질)을 만족하는 Tier-0 유효 경로를 적어도 하나 가진 타겟의 비율.
• Top-K 정확도: 참조 경로를 상위 K개의 후보 내에서 재구성하는 능력.
• 벤치마크: 주요 평가는 mkt-cnv-160 제품군(타겟 전용, 깊이 제약, 리프 제약 변체)과 커스텀 참조 스톡을 사용하는 ref-* 벤치마크를 사용한다.

주요 기여

1. 통합 프롬프트 컨디션 생성: 아리아드네는 다단계 경로 생성이 별도의 모델 학습 없이 프롬프트 필드를 통해 제약을 처리할 수 있는 단일 디코더 전용 작업으로 공식화될 수 있음을 입증한다.
2. 제약 계획의 효율성: 아리아드네는 단일 체크포인트를 사용하여 제약된 작업(깊이 및 필수 출발 물질)에서 최첨단 성능을 달야하며, 양방향 탐색 플래너인 DESP보다 정확도와 계산 비용 측면에서 모두 크게 앞선다.
3. 일반화와 계획의 분리: 연구는 모델의 첫 번째 결합 해제(disconnection) 선택 능력과 나머지 경로를 완성하는 능력을 구분하기 위해 진단 지표(예: Route|Root 정확도)를 제공하며, 이를 통해 주요 병목 현상이 주로 초기 결합 해제 선택에 있음을 밝혀낸다.
4. 오픈 소스 공개: 저자들은 프롬프트 컨디션 기반의 구조적 경로 생성 연구를 지원하기 위해 코드베이스와 학습 스크립트를 공개한다.

결과

• 제약 준수: mkt-cnv-160 벤치마크에서 프롬프트 필드로 제약을 추가했을 때 성능이 크게 향상되었다.
  • 깊이 제약: 요청된 깊이가 프롬프트에 포함되었을 때, Solv-0는 76.9%(타겟 전용)에서 90.6%로 증가했다.
  • 필수 리프 제약: 특정 출발 물질이 프롬프트되었을 때, Solv-0는 50.0%에서 81.2%로 증가했고, Top-10 재구성은 26.2%에서 37.5%로 개선되었다.
• 탐색 기반 플래너와의 비교: 필수 리프 벤치마크에서 아리아드네(24L)는 24 GPU-분 만에 81.2%의 Solv-0와 37.5%의 Top-10을 달성하여, 6.8 GPU-시간이 소요된 최적의 DESP 설정(71.2% Solv-0, 17.5% Top-10)보다 약 17배 빠른 속도로 성능을 압도했다.
• 표준 재구성: 표준 타겟 전용 작업에서 아리아드네 24L는 Top-10 정확도 측면에서 DMS Explorer XL(50M 파라미터)과 대등(59.4% vs 57.5%)하면서도, 추론 시간은 약 절반 수준(23.9분 vs 47.6분)이다.
• 홀드아웃 성능: 아리아드네는 경로 홀드아웃 벤치마크에서 MCTS 대비 상당한 이점(Top-10: 59.4% vs 40.6%)을 보여, 알려진 반응을 새로운 경로로 조립하는 능력이 우수함을 시사한다. 그러나 반응 홀드아웃 벤치마크에서는 MCTS가 여전히 Solv-0에서 더 강력한데, 이는 탐색 기반 방법이 미학습 반응 변환에 일반화하는 데 여전히 강점이 있음을 나타낸다.
• 스톡 컨디셔닝의 한계: 커스텀 참조 스톡(상업적 구매 가능 품목 외)에서 종료되어야 하는 벤치마크를 평가했을 때, 아리아드네의 성능은 MCTS에 비해 크게 하락하였다(예: ref-cnv-400에서 Solv-0 68.2% vs 85.2%). 이는 임의의 사용자 정의 스톡 세트에 대해 생성을 조건화하는 데 현재 한계가 있음을 보여준다.

의의 및 주장

본 논문은 아리아드네가 전문화된 역합성 모델을 넘어 프롬프트 컨디션 기반의 구조적 경로 생성으로 확장을 시도한다고 주장한다. 주요 의의는 단일 디코더 전용 모델이 별도의 재학습 없이도 여러 계획 사양(제약 없음, 깊이 제약, 리프 제약)을 처리할 수 있음을 보여줌으로써, 특정 제약 유형에 대해 더 유연하고 계산 효율적인 대안을 제시했다는 점에 있다.

그러나 저자들은 실험적 유용성에 대해 신중한 입장을 유지한다. 그들은 명시적으로 다음과 같이 언급한다:

• 이 모델들은 실험적 적용의 주요 병목인 Tier-1~3 경로 검사기(예: 반응 타당성, 조건 예측)를 도입하지 않았다.
• 현재 방식은 내부 보유 빌딩 블록을 포함한 임의의 사용자 지정 스톡 세트에 대해 생성을 조건화할 수 없다. 이는 실질적인 계획 수립에 있어 중요한 요구사항이다.
• 본 연구는 명시적 탐색(MCTS)을 대체하려는 것이 아니라, 학습된 생성기가 반복되는 경로 구조를 축약하여 더 빠른 추론을 가능하게 함으로써, 탐색이 궤적을 생성하고 이를 증류(distillation)하는 하이브리드 시스템에서 보완적인 스케일링 축을 제공하는 것을 목표로 한다.

결론적으로, 아리아드네가 통합적 합성 계획을 향한 중요한 진전임은 분명하나, 이 모델들이 실험 화학자들에게 완전히 신뢰받기 위해서는 스톡 인식 프롬프팅, 신뢰할 수 있는 첫 번째 결합 해제 선택, 그리고 표준화된 검증 프로토콜에 대한 추가 연구가 필요하다.