Reaction-Transformation-Aware Flow Matching for Generalizable Transition State Generation

技术摘要：面向通用过渡态生成的反应-变换感知流匹配

问题陈述
过渡态（TS）是势能面（PES）上的第一阶鞍点，定义了基元化学反应的能量势垒和机理路径。识别这些结构在计算上非常昂贵，因为传统方法依赖于重复且高成本的量子力学计算（如密度泛函理论，DFT）结合鞍点优化算法。虽然近期的机器学习（ML）方法通过从反应端点（反应物和产物）预测结构加速了过渡态生成，但现有方法主要学习的是端点之间的几何对应关系。它们通常将底层化学反应中的结构变换（如键重排和原子环境的变化）视为隐式表示。此外，目前的几何表述往往缺乏统一的、原子对齐的表示，难以在反应物、过渡态和产物之间交换高阶等变信息。这种局限性阻碍了过渡态生成器的泛化能力，特别是在面对模型未见过的分子尺寸和化学计量比的分布外（OOD）反应时，模型必须推断出这些反应的鞍点几何结构。

方法论：TransTS 框架
作者引入了 TransTS，这是一个反应-变换感知的框架，旨在从原子映射的反应物-产物对中生成可泛化的过渡态几何结构。该方法集成了三个核心组件：

1. 反应-变换感知表示：
   不同于以往将端点几何结构统一对待的模型，TransTS 显式地学习原子级的结构变换。它采用了一个共享参数的双编码器来处理经过原子映射的反应物和产物构象。其核心模块——跨状态融合（Cross-State Fusion），实现了反应物与产物对应原子之间的信息交换。这使得网络能够区分保守的骨架区域（提供稳定的几何上下文）和经历局部环境变化的原子（接收反应特定的调节条件）。这种设计使端点差异变得显式化，从而为生成过程提供了基于变换信息的调节信号。

2. 统一的原子对齐几何框架：
   为了实现跨状态的信息交换，TransTS 将反应物、过渡态和产物表示在同一个对齐的坐标系中。该框架将坐标映射到无质心（com-free）子空间，并利用 Kabsch 算法通过将产物相对于反应物进行刚性对齐，构建出一个规范锚点（canonical anchor）。该锚点对于反应方向（正向或逆向）具有对称性。过渡态生成器在该统一框架内运行，使其能够复用未改变的骨架区域的信息，同时将建模能力集中在正在发生结构重排的原子和化学键上。

3. 锚定对齐流匹配（Anchor-Aligned Flow Matching）：
   生成过程利用了条件流匹配（CFM）。模型学习一个受时间调节的等变速度场，将噪声初始状态传输到目标过渡态几何结构。至关重要的是，流路径是使用推断出的规范锚点构建的。训练轨迹将噪声源和目标过渡态都对齐到该锚点，从而创建了一条精确的直线插值路径。这种方法作为最优传输的实用替代方案，同时确保了训练与推理之间的一致性，因为锚点仅由可观测的反应物和产物结构导出。

核心贡献

• 显式变换学习： TransTS 是第一个通过显式建模反应端点之间的原子级结构变换作为过渡态生成的调节信号，从而超越简单几何对应关系的框架。
• 统一等变表示： 本文提出了一种统一的、原子对齐的几何框架，能够实现反应物、产物及过渡态之间直接的高阶等变信息交换。
• 鲁棒的 OOD 泛化： 通过利用反应-变换感知能力，与最先进的基准方法相比，TransTS 在零样本（zero-shot）OOD 设置下实现了卓越的泛化性能。
• 以验证为中心的评估： 作者引入了一套严谨的评估协议，不仅评估几何相似度（RMSD），还评估生成的结构作为量子化学精修初始猜测值的效用，测量优化成功率和反应正确率。

结果
TransTS 的性能在 Transition1x 数据集（分布内，IID）和两个源自 GDB 化学宇宙的挑战性 OOD 基准测试（GDB-10-rxn 和 GDB-17-rxn）上进行了评估。

• IID 性能： 当仅在 Transition1x 上训练时，与 React-OT 等基准方法相比，TransTS 并未获得最低的预优化 RMSD。然而，在优化后指标（优化成功率和反应正确率）方面，它保持了竞争力。当使用更大的 RGD1 数据集对训练集进行增强后，TransTS 在原始和经过校验的子集上均达到了最低的中位数 RMSD，证明了规模化提升了几何保真度。
• 零样本 OOD 性能： TransTS 在零样本设置中表现出显著优势。在 GDB-10-rxx 和 GDB-17-rxn 上，它实现了所有方法中最低的预优化 RMSD。更关键的是，它展现了优异的优化后性能。例如，在仅以 Transition1x 训练的情况下，TransTS 在 GDB-10-rxn 的案例中成功恢复了预定反应的比例为 55.1%，比第二优的方法高出 13.3 个百分点。在 GDB-17-rxn 上，它实现了 37.9% 的反应正确率，超过了次优模型 13.2 个百分点。
• 规模效应： 增加反应覆盖范围（Transition1x + RGD1）和模型容量带来了所有基准测试的一致性提升。这种增益在最具挑战性的 OOD 设置（GDB-17-rxn）中最为明显，其中反应正确率提升了 20.7 个百分点。
• 结构演化： 对 GDB-10-rxn 的案例研究表明，TransTS 有效地恢复了特征性的反应中心结构演化（如偶联键形成和氢迁移），与基准方法相比，其在反应核心距离上的平均绝对误差更低。

意义与主张
本文认为，反应-变换感知生成是加速化学反应空间计算探索的一种极具前景的策略。作者声称，通过显式建模与基元反应相关的结构变化，TransTS 为量子化学精修提供了更可靠的初始猜测，特别是在处理超出标准基准分布范围的反应时。该框架能够泛化到未见的分子尺寸和复杂的化学计量比，这表明它可以支持更广泛的反应网络构建以及催化剂的理性设计。作者也谨慎地指出，目前的评估局限于有机 CHNO 反应空间，且精确的坐标级生成似乎依赖于数据规模，这意味着在更复杂的化学环境（如过渡金属、自由基）中进行高保真应用，仍需进一步的规模化扩展。