ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning

技术摘要：ReactionAtlas

问题陈述
绘制化学反应网络（CRN）——即连接极小值、过渡态（TS）及其基本反应的图谱——对于理解从催化到生命起源等复杂的化学现象至关重要。然而，由于可能的中间体存在组合爆炸，且表征数以万计过渡态的计算成本极高，构建这些网络在历史上一直难以实现。传统的密度泛函理论（DFT）方法对于开放式探索而言速度过慢。此外，现有的自主框架通常依赖于双端过渡态搜索方法，这类方法需要预先提供的反应物-产物对，从而必须依赖启发式规则或先验知识。这种“本末倒置”的方法限制了泛化能力，并阻碍了仅从种子分子出发的真正“从头开始”（ab origine）的探索。

方法论
作者引入了 ReactionAtlas，这是一个用于从少量种子分子构建反应网络的 ab origine CRN 探索框架，该框架无需人工设计的反应规则。该系统通过两个耦合循环来扩展共享的反应图：

1. 生成循环（分子间反应）：

   • 采样： 根据通过动力学模型（求解耦合 ODE）计算出的稳态浓度，从当前网络中抽取反应物。采样器会选择单个分子或分子对（用于双分子反应）。
   • 过渡态提议： 扩散去噪模型 MoreRed 负责提出过渡态几何结构。MoreRed 在 $\omega$B97X-D3 Grambow 数据集上进行了训练，它通过接收一个（部分加噪的）反应物几何结构并进行去噪，从而提出过渡态候选结构。这是一个严格的单端过程，不需要产物信息。
   • 验证： 机器学习力场（MLFF）批判器 MD-ET（一种基于 Transformer 且在 QCML 数据上训练的模型）作为一个零样本预测器，用于预测力和黑塞矩阵（Hessian）。它通过以下标准过滤候选结构：
     • 具有恰好一个虚部特征值的黑塞矩阵。
     • 在内禀反应坐标（IRC）端点处有两个不同的极小值。
     • 具有物理上有界的正向和反向能垒。

2. 势能面（PES）循环（分子内及局部探索）：

   • 对于浓度高于阈值的新发现极小值，通过短时间的 Langevin 分子动力学（MD）轨迹对局部构型空间进行采样。
   • 鞍点搜索： 利用来自 MD 轨迹的帧作为起始点，通过划分拉格朗日函数优化（P-RFO）向上攀升至附近的鞍点。
   • 验证： 经过验证的鞍点通过 IRC 进行检查。如果端点对应于同一化合物，则将其添加为构象转变；如果端点对应于不同的化合物（或碎片），则将其注册为新的反应（“逃逸反应”）。

3. 动力学引导：

   • 网络会被定期作为质量作用系统进行积分，利用 Eyring 过渡态理论计算稳态浓度。这些浓度会加权生成循环中的采样，从而将计算资源引导至在动力学上具有合理性的化学空间区域。

核心贡献

• 单端生成式过渡态搜索： 本文引入了一种基于扩散的方法，通过单个反应物提议过渡态，消除了对基于规则的枚举或预设产物对的需求。
• MLFF-Critic 框架： 它结合了生成式提议器与鲁棒的 MLFF 批判器（MD-ET）来验证过渡态并精炼几何结构，显著降低了在探索阶段对昂贵 DFT 计算的依赖。
• 从头开始（Ab Origine）探索： 该框架成功地从仅有的八个前生命种子分子（$CH_2O, H_2O, OH^-, H_3O^+, CO_2, H_2CO_3, HCO_3^-, H$）出发，探索出了反应网络，而未施加特定的化学机制。
• 电荷与立体化学解析： 与许多先前的数据库不同，ReactionAtlas 解析了整个网络中的电荷状态和立体化学（R/S, E/Z）。

结果

• 规模： 从八个种子分子出发，ReactionAtlas 发现了约 12,000 个独特化合物（最多含 10 个重原子）、31,000 个构象以及 ~47,000 个基本反应。
• 相关性： 尽管在碳原子数较高时组合空间会发生爆炸，但该网络恢复了 Wikipedia 命名物种在 C2 阶段 >95% 以及在 C3 和 C4 阶段 >80% 的比例。它还恢复了在星际空间探测到的 91% 的闭壳层 C/H/O 物种。
• 质量： 根据 MLFF 标准，86% 的提议重排过渡态和 41% 的复杂反应是有效的阶一鞍点。在经过单步 DFT（PBE0）精炼后，有效率分别上升至 99% 和 94%。MLFF 过渡态与 PBE0 参考结构的 RMSD 在 85% 的情况下小于 0.5 Å。
• 速度： ReactionAtlas 大约每 23 分钟 发现一个有效的过渡态（在 L4 GPU 节点上的平均墙钟时间）。这比双端方法（如 NEB, DE-GSM）快了几个数量级，后者需要有效的反应物-产物对，且在 CPU 节点上每个反应需要数百分钟。
• 福尔莫斯循环（Formose Cycle）的发现： 该框架自主重建了福尔莫斯自动催化循环，包括：
  • 起始步骤（$2 \times \text{Formaldehyde} \to \text{Glycolaldehyde}$），能垒约为 34.4 kcal/mol。
  • 通过烯二醇中间体的 Lobry de Bruyn–van Ekenstein (LdB–AvE) 互变机制。
  • 两种截然不同的自动催化路径：经典的 Breslow 路径以及一个此前未被报道的“压缩型”C3-烯二醇捷径。
  • 识别出一种 IV 型自动催化基元，这是一种此前在理论上被预测但从未在真实化学系统中观察到的拓扑结构。

意义
论文声称，ReactionAtlas 为探索任意化学反应网络提供了一个可行、准确且高效的基础。通过消除对特定化学规则的需求，并实现从种子分子出发的开放式探索，它克服了以往方法的规模化和泛化限制。所得数据集为碳水化合物化学提供了前所未有的规模和细节（解析了完整的立体化学和电荷状态），并为福尔莫斯反应（化学起源研究的核心模型）提供了新的机制见解。作者将这项工作定位为解决如何应用机器学习进行系统性构建和探索前生命反应网络这一开放性挑战的重要一步。