Resumo Técnico: Conectando Químicos e IA – Um Framework Aprimorado por Especialistas para Avaliação Interpretável de Rotas

Declaração do Problema

A seleção de rotas sintéticas multi-etapas eficientes é um gargalo crítico na síntese orgânica, particularmente na química medicinal e na química de processos. Embora as ferramentas de Planejamento de Síntese Assistido por Computador (CASP) tenham avançado na geração de diversas opções de rotas, a avaliação subsequente dessas rotas permanece um desafio significativo. Os sistemas existentes de avaliação baseados em dados frequentemente simplificam excessivamente a natureza multi-objetivo do design de síntese (equilibrando viabilidade, custo, segurança, sustentabilidade, etc.) e dependem fortemente de conjuntos de dados proxy, como rotas extraídas de patentes, em vez de critérios universais e fundamentados.

Os dados de patentes frequentemente refletem escolhas restritas pelo tempo em vez de química ótima, e os conjuntos de dados existentes são esparsos porque, tipicamente, apenas uma ou poucas sínteses são relatadas por molécula. Consequentemente, modelos treinados exclusivamente em dados de patentes correm o risco de sobreajuste à "aparência" de uma rota de patente, em vez de aprender o raciocínio subjacente e as heurísticas de avaliação utilizadas por químicos especialistas. Além disso, a falta de dados de reações negativas de alta qualidade torna difícil a previsão de viabilidade de síntese direta. Atualmente, o campo depende fortemente da avaliação manual por químicos sintéticos, um processo que é lento, caro e difícil de escalar.

Metodologia

Os autores propõem um framework de pontuação aprimorado por especialistas e orientado por dados (ilustrado na Figura 1) que integra aprendizado de máquina com o conhecimento de domínio dos químicos para fornecer avaliações de rotas numéricas e explicáveis. A metodologia prossegue em três fases:

1. Pré-treinamento de um Modelo de Pontuação Baseado em DeepSets (Fase 1)

O núcleo do sistema é uma arquitetura de rede neural baseada em DeepSets, projetada para lidar com conjuntos de reações com invariância de permutação. Isso permite que o modelo processe de forma robusta rotas com números variados de reações e entradas desordenadas.

• Arquitetura: O modelo consiste em dois módulos:
  • Codificador ($\phi$): Processa características individuais de reações (classe de reação, pontuação de viabilidade, representação do composto alvo e incorporação de rota opcional) para produzir uma codificação de reação.
  • Avaliador ($\sigma$): Agrega as codificações de reações e as combina com propriedades em nível de rota (custo, volume, complexidade e impressões digitais de moléculas) para prever uma pontuação final.
• Objetivo de Treinamento: O modelo é inicialmente treinado em um grande corpus de rotas de patentes (47.303 moléculas, ~1,7 milhão de rotas) para prever a Distância de Edição de Árvore (TED) entre uma rota gerada e uma rota de referência. A TED foi selecionada como a métrica porque oferece uma medida robusta de similaridade estrutural e estratégica, superando outras métricas candidatas na distinção entre rotas de alta qualidade e rotas pobres.
• Características de Entrada: O sistema utiliza incorporações de reação (testadas: Impressão Digital de Diferença Estrutural [SDF], Impressão Digital de Reação Química [RXNFP], Impressão Digital de Reação Diferencial [DRFP]), pontuações de viabilidade de classe de reação e propriedades de rota como custo e complexidade.

2. Ajuste Fino Aprimorado por Especialistas (Fase 2)

Para preencher a lacuna entre a similaridade numérica (TED) e o julgamento humano, o framework introduz uma camada de avaliação qualitativa.

• Critérios Heurísticos: Químicos especialistas estabeleceram um sistema claro de classificação de três níveis ("Bom", "Plausível", "Ruim") baseado em uma escala de pontuação de 5 pontos de reação para rota.
  • 5 pontos (Bom): Altamente provável de ter sucesso, impacto negligenciável em grupos funcionais.
  • 4 pontos (Plausível): Desconexão correta, mas requer ajustes menores ou inclui etapas desnecessárias, porém válidas.
  • 3 pontos: Retrossinteticamente correta, mas depende de esquemas específicos de grupos protetores ou manobras redox.
  • 2 pontos: Questões significativas de seletividade ou alterações conceituais necessárias.
  • 1 ponto: Altamente improvável de ter sucesso ou problemas de material de partida não resolvidos.
• Estratégia de Ajuste Fino: A espinha dorsal DeepSets pré-treinada é ajustada finamente usando uma adaptação supervisionada por especialistas com poucos dados.
  • LoRA (Adaptação de Baixo Rango): Os pesos do codificador e do avaliador base são congelados. Apenas os parâmetros LoRA das camadas ocultas do codificador e um novo cabeçalho de classificação são otimizados usando dados rotulados por especialistas (120 rotas).
  • Saída: Isso permite que o modelo aprenda uma classificação distinta de viabilidade de rota, preservando o preditor de distância original como um sinal secundário.

3. Sistema de Avaliação Aprimorado por Especialistas (Fase 3)

O sistema final gera tanto uma pontuação quantitativa multi-objetivo quanto uma classificação qualitativa interpretável de viabilidade (Bom/Plausível/Ruim), alinhando-se à tomada de decisão no mundo real no planejamento retrossintético.

Contribuições Principais

1. Framework Aprimorado por Especialistas: Um pipeline inovador que combina modelagem orientada por dados em grande escala (pré-treinamento em dados de patentes) com avaliação alinhada a especialistas em pequena escala (ajuste fino em avaliações de químicos).
2. Sistema de Dupla Saída: O modelo fornece tanto uma pontuação quantitativa (previsão de TED) quanto uma classificação qualitativa interpretável (escala de 5 pontos mapeada para categorias de três níveis), atendendo à necessidade de transparência no planejamento de síntese orientado por IA.
3. Arquitetura Invariante a Permutações: O uso de DeepSets garante que o modelo trate rotas como conjuntos desordenados, focando em propriedades em nível de reação independentes da ordem da sequência, o que simplifica a tarefa de aprendizado enquanto mantém a robustez.
4. Ajuste Fino Eficiente: O uso de LoRA permite que o sistema se adapte ao julgamento de especialistas usando um conjunto de dados limitado (120 rotas) sem o esquecimento catastrófico do conhecimento pré-treinado.

Resultados

O sistema foi avaliado em um conjunto de testes de 120 rotas rotuladas por especialistas usando validação cruzada de 5 dobras.

• Previsão Qualitativa (Classificação):

  • O modelo alcançou uma correlação de Spearman de 0,78 ± 0,05 e uma correlação de Pearson de 0,77 ± 0,06 com as classificações de especialistas na escala de 5 pontos.
  • Para a classificação de três níveis (Bom/Plausível/Ruim), o modelo alcançou uma precisão geral de 67 ± 6,4%.
  • O desempenho foi particularmente forte na distinção entre rotas "Boas" (Precisão: 0,781, Recall: 0,795) e "Ruins", embora alguma incerteza permanecesse entre as categorias "Boas" e "Plausíveis".

• Previsão Quantitativa (Distância e Classificação):

  • Previsão de Distância: A incorporação SDF superou outros métodos (DRFP, RXNFP e nenhuma incorporação), alcançando o menor Erro Quadrático Médio (7,102 ± 0,200) e o maior R-quadrado (0,723 ± 0,003).
  • Precisão de Classificação: O modelo alcançou uma precisão de classificação top-1 de 60,2% (0,603 ± 0,007) no conjunto de dados de teste, superando substancialmente a linha de base anterior (17,5%).
  • Desempenho Top-k: O modelo baseado em SDF identificou aproximadamente 95% das rotas de referência dentro de suas 20 previsões principais.

• Análise de Incorporação: Curiosamente, o estudo constatou que a incorporação SDF mais simples superou métodos mais sofisticados (DRFP, RXNFP), sugerindo que, para a previsão de distância de rota, representações estruturais mais simples podem ser mais eficazes e menos propensas ao sobreajuste.

Significado e Alegações

O artigo afirma que este framework aprimorado por especialistas preenche com sucesso a lacuna entre aprendizado de máquina orientado por dados e conhecimento de domínio químico. Ao ir além da dependência de proxies de patentes e incorporar heurísticas explícitas de especialistas, o sistema oferece uma avaliação mais confiável, transparente e acionável de rotas sintéticas.

Os autores enfatizam que o sistema não apenas prevê uma pontuação, mas captura a nuance do julgamento químico de especialistas, incluindo como os especialistas resolvem compensações multi-objetivo. A natureza de dupla saída (pontuação quantitativa + classificação qualitativa) torna o sistema adequado para integração prática em fluxos de trabalho de planejamento de síntese. Os autores observam que, embora o modelo mostre desempenho promissor, ainda enfrenta desafios na distinção entre categorias adjacentes (por exemplo, Bom vs. Plausível), sugerindo que trabalhos futuros poderiam se beneficiar de aprendizado humano-no-loop mais granular para capturar conhecimento tácito além da similaridade estrutural.

O trabalho se posiciona como um passo em direção ao alinhamento da IA com o julgamento humano de especialistas, uma capacidade que os autores sugerem que poderia ser estendida a outros domínios que exigem tomada de decisão complexa e multi-objetivo, como a saúde.