Resumo Técnico: Orientação de Classificador Calibrada por Margem para Planejamento de Síntese Orientada a Propriedades

Declaração do Problema

O planejamento de síntese visa gerar sequências eficientes de reações químicas para produzir uma molécula-alvo. Embora os modelos de retrosíntese de passo único (autoregressivos) baseados em dados tenham avançado significativamente, eles geralmente operam sem considerar preferências específicas de químicos, como favorecer tipos de reações robustas (por exemplo, acoplamentos cruzados C–C) ou evitar intermediários perigosos. As abordagens existentes para incorporar essas restrições são limitadas: o retreinamento de geradores por propriedade é computacionalmente caro e frágil a mudanças nas restrições, enquanto a filtragem post-hoc restringe a busca a sequências já geradas pelo modelo base, deixando rotas válidas, mas inexploradas, inacessíveis.

A orientação por classificador oferece uma alternativa leve ao direcionar a saída de um gerador pré-treinado no momento da inferência usando um sinal auxiliar. No entanto, os autores identificam um modo de falha teórico e empírico fundamental: classificadores padrão treinados com perda de entropia cruzada (CE) em dados de retrosíntese não podem fornecer a discriminabilidade ao nível de token necessária. Em conjuntos de dados de reações de desconexão única esparsos, a "célula rara" de exemplos de treinamento (onde um prefixo específico leva a uma propriedade-alvo, mas a um token preferido pelo gerador) está estruturalmente sub-representada. Consequentemente, classificadores treinados com CE falham em atribuir probabilidades significativamente diferentes a continuações de token que levam em direção versus para longe da propriedade-alvo, tornando-os ineficazes para anular as distribuições incondicionais do gerador durante a busca em feixe.

Metodologia: Classificação de Completamento de Sequência (SCR)

Para superar as limitações do treinamento por entropia cruzada, os autores propõem a Classificação de Completamento de Sequência (SCR), um procedimento de treinamento inovador que calibra classificadores ao nível de token para garantir que eles possam discriminar entre continuações durante a decodificação.

1. Análise Teórica da Falha da CE

Os autores analisam formalmente a complexidade de amostra necessária para que um classificador treinado com CE atinja a lacuna de discriminabilidade necessária ($\Delta_k > G_k$). Eles demonstram que, em dados de retrosíntese, o número de exemplos de "célula rara" (prefixos onde a propriedade-alvo exige um token que o gerador desfavorece) é insuficiente para superar a variância de amostragem. Mesmo com grandes conjuntos de dados, o estimador de CE colapsa em direção à preferência do gerador, falhando em fornecer o sinal necessário para orientar a busca em feixe.

2. Pipeline de Treinamento SCR

O SCR aborda isso por meio de duas modificações complementares:

• Aumento Contrastivo: Para cada sequência parcial, o método constrói um exemplo negativo substituindo o token final por um token de vocabulário uniformemente aleatório. Este token recebe um rótulo "catch-all" distinto de todas as classes de reação. Este aumento sintético preenche a "célula rara" em posições off-policy, fornecendo o sinal de fronteira entre classes que a anotação padrão carece.
• Função de Perda de Classificação Baseada em Margem: Em vez de depender apenas da estimativa de probabilidade posterior, o SCR impõe uma restrição de margem direta nas pontuações log guiadas. Para um token verdadeiro $r^*_k$ e a melhor alternativa do gerador $\hat{r}_k$, a perda impõe:
  $$\tilde{s}_\alpha(r^*_k) - \tilde{s}_\alpha(\hat{r}_k) \geq \gamma$$
  onde $\tilde{s}_\alpha$ é a soma da probabilidade log do gerador e da probabilidade log do classificador. Esta perda instala diretamente a lacuna de discriminabilidade necessária para a orientação, desacoplando-a da contagem de amostras por prefixo.

3. Garantia Teórica

Os autores provam (Proposição 1) que classificadores que satisfazem esses requisitos por etapa (especificamente, atribuindo probabilidades $c_1$ a continuações que satisfazem a propriedade e $c_2$ às que não satisfazem em prefixos divergentes) expandem provadamente o conjunto de sequências que satisfazem a propriedade alcançáveis sob busca em feixe guiada. Isso estabelece que o SCR pode recuperar alvos que a decodificação não guiada descartaria.

Principais Contribuições

1. Limitação Teórica da CE: O artigo estabelece que o treinamento por entropia cruzada não pode entregar a discriminabilidade ao nível de token necessária para orientação de classificador em dados de retrosíntese devido à esparsidade estrutural de combinações raras de token-classe em corpora de desconexão única.
2. Algoritmo SCR: A proposta de Classificação de Completamento de Sequência, que combina aumento contrastivo com uma função de perda de classificação baseada em margem para calibrar classificadores por construção, garantindo que a lacuna de discriminabilidade seja atendida.
3. Prova de Acessibilidade: Uma prova formal demonstrando que classificadores treinados com SCR expandem o espaço químico alcançável pela busca em feixe guiada, garantindo teoricamente a recuperação de sequências que satisfazem propriedades anteriormente inacessíveis.
4. Validação Empírica: Avaliação extensa mostrando que o SCR orienta efetivamente a geração para tipos de reações e materiais de partida específicos, superando significativamente tanto as linhas de base sem modelo quanto as baseadas em modelo.

Resultados Experimentais

O método foi avaliado nos conjuntos de dados USPTO-190 e USPTO-50k usando similaridade de tipo de reação e material de partida (Tanimoto) como alvos de orientação.

• Retrosíntese de Passo Único: No USPTO-190-Steps (640 produtos), o SCR alcançou a maior amplitude de orientação entre todas as linhas de base. Ele recuperou precursores orientados válidos para 231 dos 287 produtos onde o gerador não guiado falhou completamente. O SCR alcançou uma amplitude de orientação de 0,64, superando o melhor método baseado em modelo (RetroKNN em 0,51) e fechando a lacuna de diversidade entre métodos sem modelo e baseados em modelo.
• Síntese Multi-etapa: Usando a busca Retro* em 190 alvos:
  • Orientação por Tipo de Reação: Elevou a taxa de resolução de 16,8% (não guiada) para 78,4%, uma melhoria de 4,7x, excedendo a melhor linha de base sem modelo em 12,6 pontos percentuais.
  • Orientação Tanimoto: Alcançou uma taxa de resolução de 95,3% com a maior diversidade de rotas.
  • Novidade: Em ambos os sinais, a orientação desbloqueou rotas válidas para 33 alvos (17,4%) que nenhuma linha de base pôde resolver.
• Diversidade: Amostras guiadas e não guiadas exibiram apenas 39% de sobreposição Jaccard, confirmando que o SCR explora um espaço químico genuinamente novo em vez de simplesmente reclassificar candidatos existentes.
• Eficiência: A busca guiada por SCR exigiu significativamente menos nós de busca e chamadas de modelo em comparação com métodos baseados em modelo, enquanto alcançava taxas de resolução mais altas.

Significado e Alegações

O artigo afirma que o SCR fornece uma solução fundamentada teoricamente e validada empiricamente para o problema do planejamento de síntese orientável. Ao ir além das limitações do treinamento por entropia cruzada, o SCR permite que modelos autoregressivos incorporem restrições especificadas por químicos (tipos de reação, materiais de partida) no momento da inferência sem retreinamento.

Os autores enfatizam que sua abordagem expande o espaço químico alcançável além do possível com filtragem post-hoc ou intervenções no nível de busca sozinhas. O método efetivamente preenche a lacuna de diversidade de longa data entre abordagens sem modelo e baseadas em modelo, oferecendo um framework flexível para planejamento de síntese orientado a propriedades que respeita tanto a validade química quanto preferências específicas do usuário. O trabalho sugere que a orientação ao nível de token é uma granularidade superior para impor restrições em comparação com filtragem rígida, que frequentemente poda a fronteira de busca de forma muito agressiva.