Resumo Técnico: Projeto Ariadne

Declaração do Problema

O planejamento retrossintético visa conectar uma molécula alvo a materiais de partida comercialmente disponíveis por meio de uma rota de múltiplas etapas. Embora as abordagens clássicas dependam de modelos de reação de etapa única iterativos acoplados a algoritmos de busca (ex: MCTS), esses métodos frequentemente requerem algoritmos especializados ou mudanças arquiteturais para lidar com restrições específicas de planejamento, como profundidade da rota ou materiais de partida necessários. Métodos de geração direta emergiram para reformular a retrossíntese como geração de sequências, mas os modelos existentes tipicamente exigem treinamento separado para diferentes especificações de planejamento (ex: um modelo para rotas não restringidas, outro para rotas com restrição de profundidade). Essa fragmentação limita a flexibilidade e a eficiência dos sistemas de planejamento de síntese.

Metodologia

Os autores introduzem o Ariadne, um modelo transformer de decodificador único que unifica a representação do alvo, restrições de planejamento opcionais e a geração da rota em uma única sequência de prompt-completude.

Representação de Dados

Ao contrário das abordagens anteriores de codificador-decodificador (ex: DirectMultiStep) que tratam a retrossíntese como uma tarefa de tradução, o Ariadne representa toda a tarefa de planejamento de síntese como uma expressão S enraizada dentro de uma única sequência:

• Estrutura: (task (spec ...) (route ...))
• Especificação (spec): Contém a molécula alvo (query (mol ...)) e restrições opcionais como route_depth (profundidade da rota) ou required_leaves (folhas necessárias).
• Rota (route): Uma estrutura de árvore recursiva onde os nós folha representam materiais de partida (leaf (mol ...)) e os nós internos representam reações (reaction (mol ...) (children ...)).
• Tokenização: O modelo utiliza um tokenizador pequeno, consciente de expressões S, onde rótulos estruturais são tokens atômicos e strings SMILES são tokenizadas caractere por caractere.

Estratégia de Treinamento

• Arquitetura: O Ariadne emprega uma arquitetura de decodificador único com pré-normalização, RMSNorm, embeddings de posição rotativos (RoPE) e blocos feed-forward SwiGLU. O modelo escala primariamente pelo aumento do número de camadas (variantes de 12L e 24L) enquanto mantém o tamanho oculto (256) e cabeças de atenção (8) constantes.
• Condicionamento de Prompt: O modelo é treinado para gerar a porção route da sequência condicionada à porção spec. Ao variar o bloco spec (ex: adicionando restrições de profundidade ou materiais de partida específicos), o mesmo checkpoint pode ser consultado com diferentes especificações de tarefa durante a inferência.
• Aumento de Dados: Os dados de treinamento incluem permutações da ordem de irmãos na árvore da rota para garantir a invariância à ordem dos precursores.
• Dataset: Os modelos foram treinados no dataset PaRoutes (split v2026-05-12) pré-processado com RetroCast, utilizando tanto splits de retenção de rota (route-holdout) quanto de reação (reaction-holdout) para evitar vazamento de dados.

Estrutura de Avaliação

Os autores avaliam o Ariadne usando o framework RetroCast, focando em:

• Validade Tier-0: A proporção de alvos com pelo menos uma rota onde todas as reações são quimicamente válidas (Tier-0).
• Solv-0: A proporção de alvos com pelo menos uma rota válida em Tier-0 que satisfaz restrições específicas de tarefas de pontuação (ex: terminação em ASKCOS Buyables, profundidade específica ou materiais de partida necessários).
• Acurácia Top-K: A capacidade de reconstruir uma rota de referência dentro dos K melhores candidatos.
• Benchmarks: A avaliação primária utiliza a família mkt-cnv-160 (variantes de apenas alvo, restrição de profundidade e restrição de folha) e benchmarks ref-* (usando estoques de referência customizados).

Principais Contribuições

1. Geração Unificada Condicionada por Prompt: O Ariadne demonstra que a geração de rotas de múltiplas etapas pode ser formulada como uma única tarefa de decodificador único onde as restrições são tratadas via campos de prompt em vez de treinamento de modelos separados.
2. Eficiência em Planejamento Restringido: O modelo alcança desempenho de estado da arte em tarefas restringidas (profundidade e materiais de partida necessários) usando um único checkpoint, superando significativamente os planejadores de busca bidirecional como o DESP tanto em acurácia quanto em custo computacional.
3. Desacoplamento de Generalização e Planejamento: O estudo fornece métricas diagnósticas (ex: Route|Root accuracy) para separar a habilidade do modelo em selecionar a primeira desconexão de sua habilidade em completar o restante da rota, revelando que o principal gargalo é frequentemente a escolha da desconexão inicial.
4. Lançamento Open-Source: Os autores liberam o código e os scripts de treinamento para apoiar pesquisas adicionais em geração de rotas estruturais condicionadas por prompt.

Resultados

• Seguimento de Restrições: Nos benchmarks mkt-cnv-160, adicionar campos de prompt para restrições melhorou significativamente o desempenho.
  • Restrições de Profundidade: O Solv-0 aumentou de 76,9% (apenas alvo) para 90,6% quando a profundidade solicitada foi incluída no prompt.
  • Restrições de Folha Necessária: O Solv-0 aumentou de 50,0% para 81,2%, e a reconstrução Top-10 melhorou de 26,2% para 37,5% quando um material de partida específico foi solicitado via prompt.
• Comparação com Planejadores Baseados em Busca: No benchmark de folha necessária, o Ariadne (24L) alcançou 81,2% de Solv-0 e 37,5% de Top-10 em 24 minutos de GPU, superando a melhor configuração do DESP (71,2% de Solv-0, 17,5% de Top-10) que exigiu 6,8 horas de GPU (um aumento de velocidade de ~17x).
• Reconstrução Padrão: Em tarefas padrão de apenas alvo, o Ariadne 24L é comparável ao DMS Explorer XL (50M parâmetros) em acurácia Top-10 (59,4% vs 57,5%), mas com aproximadamente metade do tempo de inferência (23,9 min vs 47,6 min).
• Desempenho de Retenção (Holdout): O Ariadne mostra ganhos significativos sobre o MCTS em benchmarks de retenção de rota (Top-10: 59,4% vs 40,6%), sugerindo uma melhor habilidade de montar reações conhecidas em novas rotas. No entanto, em benchmarks de retenção de reação, o MCTS permanece mais forte em Solv-0, indicando que métodos de busca ainda possuem vantagem em generalizar para transformações de reações não vistas.
• Limitações de Condicionamento de Estoque: Quando avaliado em benchmarks que exigem terminação em estoques de referência customizados (não apenas buyables comerciais), o desempenho do Ariadne cai significativamente em comparação ao MCTS (ex: 68,2% vs 85,2% de Solv-0 em ref-cnv-400), destacando uma limitação atual em condicionar a geração em conjuntos de estoque arbitrários definidos pelo usuário.

Significância e Alegações

O artigo afirma que o Ariadne estende a geração de sequências de modelos especialistas em retrossíntese para a geração de rotas estruturais condicionada por prompt. A principal significância reside em demonstrar que um único modelo de decodificador único pode lidar com múltiplas especificações de planejamento (não restringida, restrição de profundidade e restrição de folha) sem retreinamento, oferecendo uma alternativa mais flexível e computacionalmente eficiente para planejadores baseados em busca para tipos específicos de restrições.

No entanto, os autores mantêm uma postura modesta quanto à utilidade experimental imediata. Eles declaram explicitamente que:

• Os modelos não introduzem verificadores de rota Tier-1–3 (ex: plausibilidade de reação, previsão de condições), que permanecem como o principal gargalo para aplicação experimental.
• A abordagem atual ainda não consegue condicionar a geração em conjuntos de estoque arbitrários especificados pelo usuário, um requisito crítico para o planejamento prático envolvendo blocos de construção internos.
• O trabalho não pretende substituir a busca explícita (MCTS), mas sim oferecer um eixo de escalonamento complementar onde geradores aprendidos amortizam estruturas de rotas recorrentes para inferência mais rápida, potencialmente em um sistema híbrido onde a busca gera trajetórias para destilação.

O artigo conclui que, embora o Ariadne represente um passo significativo em direção ao planejamento de síntese unificado, pesquisas adicionais são necessárias em prompting consciente de estoque, seleção confiável da primeira desconexão e protocolos de validação padronizados antes que esses modelos possam ser totalmente confiados por químicos experimentais.