🤖 machine learning

ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning

이 논문은 생성 모델과 DFT로 학습된 포스 필드를 결합하여 소수의 시드 분자로부터 대규모 화학 반응 네트워크를 자율적으로 구축하는 머신러런닝 프레임워크인 ReactionAtlas를 소개하며, 이는 전례 없는 정확도와 규모로 원시 탄수화물 화학 분야의 약 12,000개 화합물 사이의 약 47,000개 반응을 성공적으로 매핑하였다.

원저자: Stefan Gugler, Max Eissler, Khaled Kahouli, Klaus-Robert Müller

게시일 2026-07-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Stefan Gugler, Max Eissler, Khaled Kahouli, Klaus-Robert Müller

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대하고 끊임없이 확장되는 도시의 모든 도로, 지름길, 그리고 막다른 길을 모두 지도에 그려 넣는다고 상상해 보세요. 화학에서 이 도시는 '반응 네트워크(reaction network)'이며, 분자는 건물이고 화학 반응은 이 건물들을 연결하는 도로입니다. 오랫동안 이 지도를 만드는 것은 마치 매우 느리고, 비싸고, 서투른 도구를 사용하여 대도시의 모든 거리를 하나하나 손으로 그리는 것과 같았습니다. 당신은 경로를 찾으려고 시도하기 전에 출발점과 목적지를 미리 알고 있어야만 했습니다. 만약 목적지를 모른다면, 당신은 길을 잃고 멈춰 설 수밖에 없었습니다.

ReactionAtlas는 게임의 판도를 바꾸는 초지능 로봇 탐험가입니다. 이 로봇은 목적지를 미리 알 필요 없이, 몇 가지 '씨앗(seed)' 분자(물, 포름알데히드, 이산화탄소와 같은 기본적인 구성 요소들)에서 시작하여 "이것이 무엇으로 변할 수 있을까?"라고 질문합니다. 그러고 나서 스스로 지도를 구축하며, 새로운 도로와 도시들을 발견해 나갑니다.

이 기술이 어떻게 작동하는지 일상적인 비유를 통해 설명하겠습니다.

1. 두 개의 엔진 시스템

이 로봇은 화학 도시를 탐험하기 위해 협력하는 두 가지 서로 다른 '엔진'을 사용합니다.

"몽상가" (생성 루프 - Generative Loop): 단일 건물(분자)을 보고 "이 벽을 비틀거나 창문을 하나 더 만들면 어떻게 될까?"라고 말하는 창의적인 예술가를 상상해 보세요. 이 엔진은 **확산 모델(diffusion model)**이라는 유형의 AI를 사용합니다. 이것은 건물의 선명한 사진을 찍은 뒤, 약간의 정적 노이즈를 추가하여 흐릿하게 만들고, 그 후 AI에게 그 노이즈를 '정리'하여 화학적으로 가능한 새로운 구조를 드러내라고 요청하는 것과 같습니다. 이 새로운 구조는 '전이 상태(Transition State)', 즉 반응이 일어나는 바로 그 찰나의 순간(예를 들어 문이 절반쯤 열려 있는 순간)을 나타냅니다. 몽상가는 자신이 어디로 향하는지 듣지 않고도 새로운 도로를 제안합니다.
"검사관" (비평가 - Critic): 몽상가가 새로운 도로를 제안하면, 검사관은 그것이 실제인지 확인합니다. 검사관은 기계 학습 힘장(Machine Learning Force Field)(초고속 물리 시뮬레이터)을 사용하여 다음과 같이 묻습니다: "이 도로는 안정적인가? 실제로 유효한 건물들을 연결하는가? 에너지 비용이 적절한가?" 만약 그 도로가 막다른 길이거나 물리적으로 불가능하다면, 검사관은 그것을 버립니다. 만약 유효하다면, 그것은 지도에 추가됩니다.

2. "운동학적 나침반" (Kinetic Compass)

로봇은 무작정 돌아다니지 않습니다. 로봇은 운동학적 나침반을 가지고 있습니다. 로봇은 이미 찾아낸 도로들을 바탕으로, 어떤 분자들이 실제 세상에서 가장 '인기 있거나' 존재할 가능성이 높은지 시뮬레이션을 실행합니다. 그런 다음, 그 인기 있는 분자들이 살고 있는 동네를 탐사하는 데 에너지를 집중합니다. 이는 마치 붐비는 거리와 한적한 거리를 구분하여, 빈 골목길에서 시간을 낭비하는 대신 번화한 거리를 먼저 지도에 그려내는 가이드와 같습니다.

3. 위대한 발견: 포르모스 사이클 (Formose Cycle)

연구진은 이 로봇을 **포르모스 반응(Formose Reaction)**이라는 유명한 화학 퍼즐에 테스트했습니다. 이는 단순한 포름알데히드가 복잡한 당(우리 몸에 있는 것과 같은)으로 변하는 과정입니다. 이것은 초기 지구에서 생명의 구성 요소들이 어떻게 자연적으로 형성되었는지를 보여주는 유명한 사례입니다.

기존 방식: 과학자들은 지도의 일부는 알고 있었지만, 전체 그림은 수백만 개의 가능성이 얽힌 복잡한 미로였습니다. 그들은 규칙을 추측하고 수동으로 확인해야 했습니다.
ReactionAtlas 방식: 로봇은 단 8개의 단순한 씨앗에서 시작하여 스스로 탐색했습니다. 그리고 12,000개의 서로 다른 화합물을 연결하는 47,000개의 반응을 발견했습니다.
결과: 로봇은 단순히 알려진 경로만 찾은 것이 아니라, 과학자들이 이전에 완전히 지도화하지 못했던 특정 유형의 분자(에네디오ール, enediol)를 통한 '지름길'을 포함하여 전체 사이클을 발견했습니다. 또한, 이전의 지도들이 놓쳤던 이 분자들의 3차원 구조(입체 화학)와 전기적 전하까지도 밝혀냈습니다.

4. 이것이 왜 중요한가

속도: 전통적인 방법은 하나의 반응 경로를 찾는 데 며칠 또는 몇 주가 걸립니다. ReactionAtlas는 훨씬 짧은 시간 안에 수천 개의 유효한 경로를 찾아냅니다.
규칙 불필요: 기존 방식은 "탄소는 항상 이런 방식으로 산소와 결합한다"와 같은 '규칙' 목록이 필요했습니다. 하지만 ReactionAtlas는 이러한 규칙이 필요 없습니다. 데이터로부터 물리와 화학을 학습하고 스스로 규칙을 찾아냅니다.
정확도: 로봇의 추측은 매우 뛰어나서, 과학자들이 초정밀(하지만 느린) 컴퓨터 계산으로 확인했을 때, 로봇의 추측 중 85%는 이미 완벽했으며 나머지도 매우 근접했습니다.

요약

ReactionAtlas를 안개가 자욱한 풍경 위를 나는 자율 주행 드론이라고 생각해 보세요. 목적지나 지도가 없어도, 몇 가지 알려진 랜드마크에서 시작하여, AI를 이용해 지형이 어떻게 이어질지 추측하고, 그 경로가 안전한지 확인한 뒤, 그곳으로 날아가 새로운 랜드마크를 발견합니다. 이 과정은 매우 빠르고 정확하여, 당(sugar) 화학의 지도를 다시 그려냈으며, 단순한 분자들이 생명에 필요한 복잡한 성분들을 어떻게 자연적으로 구축할 수 있는지를 입증하며 숨겨진 지름길을 찾아냈습니다.

이 논문은 이 방법이 탄수화물(당)에 적용 가능하며 연소나 촉매 작동 등 다른 분야에도 적용될 수 있다고 주장하지만, 특히 인간이 부여한 규칙 없이 포르모스 사이클과 생명의 기원 화학을 매핑하는 데 성공했음을 강조하고 있습니다.

기술 요약: ReactionAtlas

문제 정의
화학 반응 네트워크(CRN)—최솟값(minima), 전이 상태(TS), 그리고 이들을 연결하는 기본 반응들의 그래프—를 매핑하는 것은 촉매 작용에서 생명의 기원에 이르기까지 복잡한 화학적 현상을 이해하는 데 필수적이다. 그러나 이러한 네트워크를 구축하는 것은 가능한 중간체들의 조합 폭발과 수만 개의 전이 상태를 특성화하는 데 드는 계산 비용 때문에 역사적으로 실용적이지 못했다. 밀도 범함수 이론(DFT)과 같은 전통적인 방법은 개방형 탐색을 수행하기에는 지나치게 느리다. 또한, 기존의 자율 프레임워크는 종종 사전 제공된 반응물-생성물 쌍을 필요로 하는 양방향(double-ended) TS 탐색 방법에 의존하며, 이는 휴리스틱 규칙이나 반응 메커니즘에 대한 사전 지식을 필요로 한다. 이러한 "닭이 먼저냐 달걀이 먼저냐" 식의 접근 방식은 일반화 능력을 제한하고, 시드 분자로부터 시작되는 진정한 ab origine(원천적) 탐색을 방해한다.

방법론
저자들은 수작업으로 만든 반응 규칙 없이 소수의 시드 분자로부터 반응 네트워크를 구축하는 ab origine CRN 탐색 프레임워크인 ReactionAtlas를 소개한다. 이 시스템은 공유된 반응 그래프를 확장하는 두 개의 결합된 루프를 통해 작동한다:

생성 루프 (분자 간 반응):
- 샘플링: 반응물은 키네틱 모델(결합된 ODE 해결)을 통해 계산된 정상 상태 농도에 따라 현재 네트워크에서 추출된다. 샘플러는 단일 분자 또는 쌍(이분자 반응을 위해)을 선택한다.
- TS 제안: 디노이징 확산 모델인 MoreRed가 전이 상태 기하 구조를 제안한다. $\omega$ B97X-D3 Grambow 데이터셋으로 학습된 MoreRed는 (부분적으로 노이즈가 섞인) 반응물 기하 구조를 입력받아 이를 디노이징하여 TS 후보를 제안한다. 이는 생성물 정보가 필요 없는 엄격한 단방향(single-ended) 프로세스이다.
- 검증: 머신러닝 힘의 장(MLFF) 비평가인 MD-ET(QCML 데이터로 학습된 트랜스포머 기반 모델)가 제로샷 예측기로서 힘(forces)과 헤시안(Hessian)을 예측한다. 이는 다음 항목들을 확인하여 후보를 필터링한다:
  - 정확히 하나의 허수 고윳값을 갖는 헤시안.
  - IRC(내재 반응 좌표) 끝단에서의 두 개의 뚜렷한 최솟값.
  - 물리적으로 제한된 정방향 및 역방향 장벽 높이.
PES 루프 (분자 내 및 국소 탐색):
- 농도 임계값 이상의 새로 발견된 최솟값에 대해, 짧은 란제빈 분자 동역학(Langevin MD) 궤적을 실행하여 국소 구성 공간을 샘플링한다.
- Saddle Search (안장점 탐색): MD 궤적의 프레임들은 근처의 안장점으로 올라가기 위한 분할 라시오나 함수 최적화(P-RFO)의 시작점으로 사용된다.
- 검증: 검증된 안장점들은 IRC를 통해 확인된다. 만약 끝단들이 동일한 화합물에 해당하면 이를 구조적 전이(conformational transitions)로 추가하고, 다른 화합물(또는 파편)에 해당하면 새로운 반응("탈출 반응", escaped reactions)으로 등록한다.
키네틱 가이드 (Kinetic Guidance):
- 네트워크는 아이링 전이 상태 이론(Eyring transition-state theory)을 사용하는 질량 작용 시스템(mass-action system)으로 주기적으로 통합되어 정상 상태 농도를 계산한다. 이 농도들은 생성 루프에서의 샘플링 가중치를 조절하여, 계산 자원을 키네틱 측면에서 타당한 화학 공간 영역으로 유도한다.

주요 기여

단방향 생성형 TS 탐색: 본 논문은 단일 반응물로부터 TS를 제안하는 확산 기반 접근 방식을 도입하여, 규칙 기반의 열거법이나 사전 제공된 생성물 쌍의 필요성을 제거하였다.
MLFF-비평가 프레임워크: 생성 제안자와 견고한 MLFF 비평가(MD-ET)를 결려 탐색 단계에서 값비싼 DFT 계산에 대한 의존도를 크게 줄였다.
Ab Origine 탐색: 본 프레임워크는 특정 화학적 메커니즘을 부과하지 않고도 8개의 선사적(prebiotic) 시드 분자( $CH_2O, H_2O, OH^-, H_3O^+, CO_2, H_2CO_3, HCO_3^-, H$ )로부터 성공적으로 반응 네트워크를 탐색하였다.
전하 및 입체 화학 해결: 많은 기존 데이터셋과 달리, ReactionAtlas는 네트워크 전체의 전하 상태와 입체 화학(R/S, E/Z)을 모두 해결한다.

결과

규모: 8개의 시드로부터 시작하여, ReactionAtlas는 약 12,000개의 고유 화합물(최대 10개의 무거운 원자 포함), 31,000개의 컨포머(conformer), 그리고 약 47,000개의 기본 반응을 발견하였다.
관련성: 탄소 수가 증가함에 따라 조합 공간이 폭발함에도 불구하고, ReactionAtlas는 C2 단계에서 위키피디아 명칭 종의 95% 이상을, C3 및 C4 단계에서 80% 이상을 복구하였다. 또한 성간 공간에서 탐지된 폐쇄 껍질(closed-shell) C/H/O 종의 91%를 복구하였다.
품질: 제안된 재배열(rearrangement) TS 중 86%, 난도가 높은 반응 중 41%가 MLFF 기준에 따라 유효한 1차 안장점이었다. 단 한 번의 DFT(PBE0) 정밀화 단계를 거친 후, 유효율은 각각 99%와 94%로 상승하였다. MLFF TS는 85%의 사례에서 PBE0 참조 모델과 0.5 Å RMSD 이내로 일치하였다.
속도: ReactionAtlas는 유효한 TS를 약 23분마다 하나씩 찾아낸다(L4 GPU 노드 기준 평균 벽 시간). 이는 유효한 반응물-생성물 쌍을 필요로 하며 CPU 노드에서 반응당 수백 분이 걸리는 양방향 방법(예: NEB, DE-GSM)보다 수 차례 더 빠르다.
포르모스 사이클(Formose Cycle) 발견: 본 프레임워크는 다음을 포함하는 포르모스 자동 촉매 사이클을 자율적으로 재구성하였다:
- 개시 단계( $2 \times \text{Formaldehyde} \to \text{Glycolaldehyde}$ , 장벽 약 33.4 kcal/mol).
- 에네디올(enediol) 중간체를 통한 Lobry de Bruyn–van Ekenstein (LdB–AvE) 상호 변환 메커니즘.
- 두 가지 뚜렷한 자동 촉매 사이클: 표준적인 Breslow 경로와 이전에 보고되지 않은 "압축된(compressed)" C3-enediol 지름길.
- 실제 화학 시스템에서 예측되었으나 관찰된 적은 없는 토폴로지 구조인 Type IV 자동 촉매 모티프의 식별.

의의
본 논문은 ReactionAtlas가 임의의 CRN을 탐색하기 위한 유효하고 정확하며 효율적인 기반을 제공한다고 주장한다. 화학 특화 규칙의 필요성을 제거하고 시드 분자로부터 개방형 탐색을 가능하게 함으로써, 기존 방법의 확장성 및 일반화 한계를 극복하였다. 생성된 데이터셋은 탄수화물 화학에 대해 전례 없는 규모와 세부 사항을 제공하며, 완전한 입체 화학 및 전하 상태를 해결한다. 또한 포르모스 반응에 대한 새로운 메커니즘적 통찰을 제공한다. 저자들은 이 연구를 머신러닝을 사용하여 선사적 반응 네트워크를 체계적으로 구축하고 탐색하는 개방형 과제를 해결하기 위한 단계로 규정한다.

1. 두 개의 엔진 시스템

2. "운동학적 나침반" (Kinetic Compass)

3. 위대한 발견: 포르모스 사이클 (Formose Cycle)

4. 이것이 왜 중요한가

요약

유사한 논문