Technische Samenvatting: Margin-gecalibreerde Classifier-gids voor Eigenschap-gedreven Syntheseplanning

Probleemstelling

Syntheseplanning heeft tot doel efficiënte reeksen chemische reacties te genereren om een doelmolecuul te produceren. Hoewel datagedreven autoregressieve modellen voor retrosynthese op één stap aanzienlijke vooruitgang hebben geboekt, werken deze doorgaans zonder rekening te houden met specifieke voorkeuren van chemici, zoals het prefereren van robuuste reactietypen (bijv. C–C cross-koppelingen) of het vermijden van gevaarlijke intermediairen. Bestaande benaderingen om deze beperkingen op te nemen, zijn beperkt: het opnieuw trainen van generators per eigenschap is rekenkundig duur en bros bij veranderingen in beperkingen, terwijl post-hoc filtering het zoeken beperkt tot reeksen die al door het basismodel zijn gegenereerd, waardoor geldige maar onontdekte routes onbereikbaar blijven.

Classifier-gids biedt een lichtgewicht alternatief door de output van een vooraf getrainde generator tijdens inferentie te sturen met behulp van een hulpsignaal. De auteurs identificeren echter een fundamenteel theoretisch en empirisch falingspatroon: standaardclassifiers die met cross-entropy (CE) verlies op retrosynthesedata zijn getraind, kunnen de benodigde token-level discriminatie niet bieden. In spaarzame datasets met reacties op één disconnektie is de "zeldzame cel" van trainingsvoorbeelden (waar een specifieke prefix leidt tot een doel-eigenschap maar een door de generator geprefereerd token) structureel ondervertegenwoordigd. Bijgevolg slagen CE-getrainde classifiers er niet in om betekenisvol verschillende kansen toe te kennen aan token-continuatie die leiden tot versus weg van de doel-eigenschap, waardoor ze inefficiënt zijn voor het overschrijven van de onvoorwaardelijke distributies van de generator tijdens beam search.

Methodologie: Sequence Completion Ranking (SCR)

Om de beperkingen van cross-entropy training te overwinnen, stellen de auteurs Sequence Completion Ranking (SCR) voor, een nieuwe trainingsprocedure die token-level classifiers kalibreert om te waarborgen dat ze kunnen discrimineren tussen continuatie tijdens decoding.

1. Theoretische Analyse van CE-falen

De auteurs analyseren formeel de sample complexiteit die vereist is voor een CE-getrainde classifier om de benodigde discriminatie-gap ($\Delta_k > G_k$) te bereiken. Zij tonen aan dat op retrosynthesedata het aantal voorbeelden van "zeldzame cellen" (prefixen waarbij de doel-eigenschap een token vereist dat de generator niet prefereert) onvoldoende is om steekproefvariatie te overwinnen. Zelfs met grote datasets stort de CE-schatter in naar de voorkeur van de generator, waardoor het signaal ontbreekt dat nodig is om de beam search te sturen.

2. SCR Trainingspijplijn

SCR adresseert dit door twee complementaire modificaties:

• Contrastieve Augmentatie: Voor elke partiële sequentie construeert de methode een negatief voorbeeld door het laatste token te vervangen door een uniform willekeurig vocabulaire-token. Dit token krijgt een "catch-all" label toegewezen dat verschilt van alle reactieklassen. Deze synthetische augmentatie vult de "zeldzame cel" op off-policy posities, waardoor het signaal van de cross-class grens wordt geboden dat standaardannotatie mist.
• Margin-gebaseerde Ranking Loss: In plaats van uitsluitend te vertrouwen op posterior kansschatting, dwingt SCR een directe margin-beperking af op de geleide log-scores. Voor een ground-truth token $r^*_k$ en het top-alternatief van de generator $\hat{r}_k$, dwingt de loss af:
  $$\tilde{s}_\alpha(r^*_k) - \tilde{s}_\alpha(\hat{r}_k) \geq \gamma$$
  waarbij $\tilde{s}_\alpha$ de som is van de log-kans van de generator en de log-kans van de classifier. Deze loss installeert direct de vereiste discriminatie-gap voor gids, en ontkoppelt deze van het aantal samples per prefix.

3. Theoretisch Bewijs

De auteurs bewijzen (Propositie 1) dat classifiers die aan deze per-stap vereisten voldoen (specifiek, het toekennen van kansen $c_1$ aan eigenschap-voldoende continuatie en $c_2$ aan niet-voldoende continuatie bij divergente prefixen) bewezen de set van eigenschap-voldoende sequenties uitbreiden die bereikbaar zijn onder geleide beam search. Dit stelt vast dat SCR doelen kan herstellen die ongeleide decoding zou verwerpen.

Belangrijkste Bijdragen

1. Theoretische Beperking van CE: Het artikel stelt vast dat cross-entropy training niet de token-level discriminatie kan leveren die vereist is voor classifier-gids op retrosynthesedata, vanwege de structurele spaarzaamheid van zeldzame token-klasse combinaties in corpora met één disconnektie.
2. SCR Algorithmus: Het voorstellen van Sequence Completion Ranking, dat contrastieve augmentatie combineert met een margin-gebaseerde ranking loss om classifiers per constructie te kalibreren, waarbij wordt gewaarborgd dat de discriminatie-gap wordt gehaald.
3. Bereikbaarheid Bewijs: Een formeel bewijs dat aantoont dat SCR-getrainde classifiers de chemische ruimte uitbreiden die bereikbaar is door geleide beam search, en theoretisch garanderen dat eigenschap-voldoende sequenties die eerder onbereikbaar waren, worden hersteld.
4. Empirische Validatie: Uitgebreide evaluatie die aantoont dat SCR effectief generatie stuurt naar specifieke reactietypen en startmaterialen, en significant beter presteert dan zowel template-vrije als template-gebaseerde baselines.

Experimentele Resultaten

De methode werd geëvalueerd op de USPTO-190 en USPTO-50k datasets met reactietype en startmateriaal gelijkenis (Tanimoto) als gidsdoelen.

• Retrosynthese op één Stap: Op USPTO-190-Steps (640 producten) bereikte SCR de breedste sturing onder alle baselines. Het herstelde geldige gestuurde precursors voor 231 van de 287 producten waarbij de ongeleide generator volledig faalde. SCR bereikte een sturingsbreedte van 0,64, wat de beste template-gebaseerde methode (RetroKNN op 0,51) overtrof en de diversiteitskloof tussen template-vrije en template-gebaseerde methoden dichtte.
• Meerstaps Synthese: Met Retro* zoekopdracht op 190 doelen:
  • Reactietype Gids: Verhoogde de oplossingsrate van 16,8% (ongeleid) naar 78,4%, een verbetering van 4,7x, en overtrof de beste template-vrije baseline met 12,6 procentpunten.
  • Tanimoto Gids: Bereikte een oplossingsrate van 95,3% met de hoogste route diversiteit.
  • Nieuwheid: Over beide signalen heen, ontsloot gids geldige routes voor 33 doelen (17,4%) die geen enkele baseline kon oplossen.
• Diversiteit: Geleide en ongeleide steekproeven vertoonden slechts 39% Jaccard-overlap, wat bevestigt dat SCR echt nieuwe chemische ruimte verkent in plaats van eenvoudig bestaande kandidaten opnieuw te rangschikken.
• Efficiëntie: SCR-geleide zoekopdracht vereiste aanzienlijk minder zoekknopen en modeloproepen in vergelijking met template-gebaseerde methoden, terwijl het hogere oplossingsrates bereikte.

Betekenis en Claims

Het artikel claimt dat SCR een theoretisch onderbouwde en empirisch gevalideerde oplossing biedt voor het probleem van stuurbare synthesplanning. Door verder te gaan dan de beperkingen van cross-entropy training, stelt SCR autoregressieve modellen in staat om tijdens inferentie door chemici gespecificeerde beperkingen (reactietypen, startmaterialen) op te nemen zonder opnieuw te trainen.

De auteurs benadrukken dat hun aanpak de bereikbare chemische ruimte uitbreidt tot buiten wat mogelijk is met post-hoc filtering of zoekinterventies alleen. De methode overbrugt effectief de langdurige diversiteitskloof tussen template-vrije en template-gebaseerde benaderingen, en biedt een flexibel kader voor eigenschap-gedreven synthesplanning dat zowel chemische validiteit als specifieke gebruikersvoorkeuren respecteert. Het werk suggereert dat token-level gids een superieure granulariteit is voor het afdwingen van beperkingen in vergelijking met harde filtering, wat de zoekgrens vaak te agressief snoeit.