RETROSPECT: RETROsynthesis via Sequential Prediction, and Chemically Transformed-ranking

Resumo Técnico do RETROSPECT: Retrossíntese via Predição Sequencial e Ranking Quimicamente Transformado

1. Definição do Problema

O artigo aborda o desafio da retrossíntese de etapa única, que envolve a identificação de moléculas precursoras capazes de produzir uma molécula alvo. Os autores argumentam que um modelo de etapa única útil deve satisfazer dois requisitos distintos que são frequentemente confundidos em sistemas existentes:

1. Precisão da Proposta: Posicionar uma desconexão correta próximo ao topo de uma lista classificada.
2. Riqueza de Candidatos: Preservar um número suficiente de alternativas plausíveis para seleção posterior (por um planejador ou químico) quando a sugestão principal estiver indisponível, for insegura ou estrategicamente ruim.

Os sistemas atuais frequentemente fundem a geração de propostas e o ranking em uma única etapa. Este artigo propõe uma decomposição de proposta-seleção, tratando a geração de candidatos e a seleção de candidatos como estágios separados e modulares para entender melhor as contribuições específicas de cada um.

2. Metodologia

O sistema proposto, RETROSPECT, consiste em dois componentes principais: um gerador de propostas e um reranker de aprendizado de ranking (learning-to-rank).

A. Modelo de Proposta: O ChemAlign Transformer
O gerador é um Transformer codificador-decodificador projetado para produzir um conjunto de precursores candidatos. Ele se baseia na arquitetura Augmented Transformer, mas introduz várias otimizações específicas:

• Aumentação Híbrida de SMILES: Os dados de treinamento são aumentados usando uma mistura de SMILES alinhados pela raiz (que alinham as traversais de produto e reagente em torno de átomos correspondentes para reduzir a distância de edição) e SMILES aleatórios (para preservar a invariância de traversal). Isso cria um sinal de supervisão híbrido.
• Melhorias Arquiteturais: O modelo utiliza Pre-LayerNorm para otimização estável, embeddings vinculados entre codificador, decodificador e projeção de saída, e pesos de Média Móvel Exponencial (EMA) para validação e inferência.
• Perda Auxiliar Diferenciável: Uma perda de balanço de átomos diferenciável é adicionada para penalizar desvios entre as contagens de elementos esperadas (derivadas do softmax do decodificador) e as frações de elementos da verdade fundamental (ground-truth). Isso enviesa o modelo contra violações de balanço de massa sem atuar como uma restrição rígida.
• Protocolo de Treinamento: O modelo é treinado em 40.008 reações do conjunto de dados USPTO-50K, usando aumentação offline de 20 vezes (16 alinhadas pela raiz e 4 aleatórias por reação).

B. Modelo de Reranking: LambdaMART
Uma vez que o gerador produz um conjunto de candidatos mesclados (deduplicados através de múltiplas traversais de SMILES), um modelo LambdaMART (Learning to Rank) reordena os candidatos.

• Características (Features): O reranker utiliza quatro blocos de características:
  1. Pontuação de Proposta Upstream: A pontuação bruta do gerador.
  2. Descritores Estruturais: Contagens de farmacóforos, grupos funcionais, deltas de contagem de átomos e similaridades de impressões digitais (fingerprints) (Morgan/MACCS).
  3. Descritores de Template de Reação: Extratabilidade de template, identificadores de template com hash e estatísticas de frequência de template congeladas no treinamento.
  4. Descritores Derivados de DFT (Opcional): Diferenças no nível de reação de HOMO, LUMO, gap, dipolo, dureza, maciez e características de orbitais de fronteira.
• Estratégia de Treinamento: O modelo é treinado de forma agrupada (group-wise) dentro de cada produto usando um objetivo listwise rank:ndcg. Rótulos de relevância graduada são usados, onde correspondências exatas de conjuntos de precursores recebem o maior ganho. Crucialmente, as estatísticas de estilo frequência são congeladas na divisão de treinamento para evitar vazamento de dados (data leakage).

3. Principais Contribuições

1. Estrutura Modular: A introdução do RETROSPECT, que separa claramente a geração de candidatos da seleção de candidatos, permitindo a análise independente da qualidade da proposta e da eficácia do ranking.
2. ChemAlign Transformer: Uma variante refinada do Transformer que alcança um forte desempenho de modelo único através de aumentação híbrida, Pre-LayerNorm, embeddings vinculados e regularização de balanço de átomos.
3. Implementação de Reranking LambdaMART: Um pipeline de reranking robusto que integra características estruturais, de template e de DFT, com protocolos específicos para lidar com estatísticas de frequência.
4. Análise de Ablação: Uma investigação detalhada da fonte dos sinais de reranking, identificando que as pontuações de upstream e as estatísticas de template são os fatores dominantes, enquanto as características de DFT fornecem ganhos menores e menos consistentes.

4. Resultados Experimentais

O sistema foi avaliado no conjunto de teste padrão USPTO-50K (5.007 reações).

• Desempenho de Modelo Único (Apenas Gerador):

  • Acurácia Top-1: 55,00%
  • Acurácia Top-10: 86,18%
  • Validade Top-1: 99,86%
  • Insight de Ablação: A aumentação de SMILES alinhados pela raiz foi a escolha de design dominante, melhorando a acurácia Top-1 em 9,23 pontos percentuais em relação a um baseline escalonado.

• Desempenho de Reranking (RETROSPECT Completo):

  • Avaliado em um conjunto de candidatos mesclados de aproximadamente 111 candidatos por produto.
  • Acurácia Top-1: Melhorou de 55,00% para 59,4%.
  • Acurácia Top-10: Melhorou de 86,18% para 93,06%.
  • Rank Médio Recíproco (MRR): 0,7171.

• Importância das Características:

  • A pontuação de proposta upstream é a característica mais forte individualmente.
  • Características de frequência e identidade de template fornecem os próximos maiores ganhos.
  • DFT e DFT de centro de reação mostraram ganhos pequenos e inconsistentes, sugerindo que são atualmente secundários às características estruturais e de template.

5. Significância e Alegações

Os autores posicionam o RETROSPECT com uma postura deliberadamente conservadora. Eles não alegam que cada componente supera uniformemente os melhores baselines de ponta a ponta publicados (ex: RetroChimera ou EditRetro). Em vez disso, o artigo defende uma visão modular da retrossíntese:

1. Complementaridade: Propostas de modelos únicos mais fortes e a seleção de candidatos aprendida são complementares. O modelo de proposta garante um conjunto rico de candidatos, enquanto o reranker otimiza a ordenação com base em sinais aprendidos.
2. Utilidade de Substituição (Drop-in): O ChemAlign Transformer é apresentado como um sistema de modelo único competitivo, mas é especificamente destacado como um atraente componente de substituição (drop-in) para sistemas de ensemble (como o RetroChimera).
3. Clareza Científica: A decomposição permite conclusões científicas mais claras: a aumentação alinhada pela raiz impulsiona a qualidade da proposta, enquanto os ganhos de reranking no cenário atual são impulsionados principalmente pelas pontuações de proposta e priors de template, em vez de cálculos complexos de DFT.

Os autores concluem que, embora a acurácia de correspondência exata no USPTO-50K seja uma métrica padrão, o sistema é projetado como uma ferramenta de suporte à decisão para químicos, em vez de um planejador autônomo, enfatizando a necessidade de revisão humana e verificações de segurança em implantações práticas.