ML-моделирование химических реакций: прогноз продуктов и ретросинтез

AI моделирование химических реакций: где ломается прогноз

Модель, обученная на парах «реагенты → продукт», уверенно ведёт себя на одностадийных превращениях: замещение, восстановление, стандартное ацилирование воспроизводятся почти без ошибок. Точность предсказания на таких реакциях держится высокой, и возникает ощущение готового инструмента, которому можно доверить планирование синтеза.

Ломается всё там, где схема перестаёт быть линейной. На многостадийных маршрутах ошибка первой стадии накапливается по всей цепочке: промежуточное соединение определено неверно — и прогноз продуктов реакции расходится с реальностью уже на третьем-четвёртом шаге. Опаснее явного отказа то, что модель выдаёт неверную структуру с высокой уверенностью.

Второе узкое место — редкие классы соединений. Если в обучающей выборке класс представлен единичными примерами, модель экстраполирует по ближайшим аналогам, теряет функциональные группы и дорисовывает привычный скелет. При переносе на другое сырьё — иная чистота, другой катализатор, растворитель, температурный режим — сдвигается само распределение данных, и метрики, снятые на исходной выборке, перестают что-либо значить.

Отдельная тема — разметка экспериментальных данных. Сводки из разных лабораторий несут разную нотацию, условия и трактовку выхода; публикуются в основном удачные опыты, поэтому модель учится на смещённой картине. Без нормализации структур, условий и отрицательных результатов любая последующая правка упирается в качество разметки, а не в объём вычислений.

Поэтому AI моделирование химических реакций начинается не с выбора модели, а с карты её границ применимости: где прогноз подтверждается, где требует лабораторной проверки, а где мы обязаны честно вернуть «не знаю».

Скорость перебора гипотез и охват химического пространства

Перебор гипотез до первого синтеза идёт не в колбах, а в дереве ретросинтетических шагов: модель разворачивает целевую молекулу назад, доходит до коммерчески доступных прекурсоров и собирает маршруты. Раньше химик успевал проработать за неделю единицы схем — теперь обход дерева даёт тысячи веток за считанные часы, и в лабораторию уходят только верхние.

Дерево строится на правилах трансформаций и нейросетевых оценках, обученных на массивах реакций из Reaxys и патентных выгрузках. Каждый узел получает набор чисел: вероятность шага, число стадий, доступность реагентов, прогноз выхода. Поиск превращается из интуиции в ранжирование — и сразу видно, где маршрут сходится, а где распадается на маловероятные звенья.

Отсев маршрутов идёт до заказа первого реактива. Из очереди уходят схемы через труднодоступные прекурсоры, конфликты защитных групп, несовместимые функциональные группы на одной стадии, опасные и термодинамически невыгодные превращения, а также длинные обходы там, где есть короткий путь. Отдельно фильтруются ветки, опирающиеся на единичные публикации без подтверждённого воспроизведения.

Практический эффект — сокращение лабораторных прогонов: синтезируют пять–десять лучших кандидатов вместо полусотни, а тупиковые классы схем вообще не доходят до вытяжного шкафа. Охват химического пространства при этом растёт за счёт областей, куда химик по привычке не смотрит: нестандартный порядок стадий, менее очевидный прекурсор, смена точки введения группы. Часть таких маршрутов оказывается рабочей и экономит целую итерацию.

Режимы работы: точный ретросинтез против быстрого прогноза

Два режима расчёта отличаются постановкой задачи. Прямой прогноз отвечает на вопрос «что получится из этой смеси»: на вход идут реагенты, катализатор и условия, на выходе — набор продуктов с оценкой вероятности. Ретросинтез идёт обратным ходом — от целевой молекулы к прекурсорам, с деревом маршрутов и ранжированием по доступности сырья.

Ограничения у них разные, и путать их дорого. Прогноз продуктов не знает, есть ли реагенты на складе, а ретросинтез не проверяет, идёт ли каждый шаг с приемлемым выходом. Поэтому режим выбирают по постановке задачи, а не по «мощности» модели.

На практике режимы совмещают: ретросинтез строит маршрут, а прямой прогноз прогоняет каждый шаг и отсекает пути с низким выходом или нежелательными побочными продуктами. Такой прогон заметно сокращает долю нерабочих маршрутов ещё до лаборатории.

Этапы внедрения: от постановки задачи до валидации модели

Разбор начинается не с модели, а с инвентаризации накопленных данных: какие реакции задокументированы, как хранятся условия, насколько полно описаны катализаторы и растворители. Параллельно фиксируем критерии приёмки — долю верно предсказанных продуктов и полноту восстановленных путей ретросинтеза.

1. Постановка задачи. Уточняем класс реакций, допустимые входные данные и то, как используется результат: подсказка химику или автоматический отбор кандидатов.
2. Схема данных. Приводим записи к единому виду: канонизируем структуры, разделяем реагенты и условия, помечаем пропуски. Здесь же определяем, что не попадёт в обучение, — иначе модель увидит ответы заранее.
3. Сборка и обучение. Выбираем представление молекул и архитектуру под тип задачи, отдельно настраиваем обработку редких классов реакций.
4. Валидация модели на отложенной выборке. Проверяем на реакциях, которых модель не видела: разбиение по времени и по малознакомым структурным каркасам. Смотрим не только среднюю метрику, но и разброс по подклассам.
5. Разбор ошибок и границ применимости. Определяем, где модель ошибается предсказуемо и где от неё нужно требовать отказа вместо правдоподобной догадки.
6. Передача в эксплуатацию. Оформляем сервис, версионирование моделей, контроль входных данных, регламент дообучения и откат на предыдущую версию.

На выходе — рабочий контур с понятными границами применимости, а не отчёт с метриками.

Что остаётся у заказчика: модели, данные, регламенты

Работы заканчиваются не презентацией, а передачей стенда: в вашем контуре остаются обученная модель, данные, на которых она построена, конфигурации обработки и документы, по которым ваша команда сама запускает прогнозы и обновляет модель. Ниже — что именно передаётся и как этим пользоваться без нас.

• Веса модели и код запуска — модель в переносимом формате и обёртка расчёта: прогнозы продуктов и маршруты ретросинтеза считаются на вашем оборудовании, без обращения к нашим серверам.
• Обучающая и проверочная выборка — реакции с условиями и продуктами, ссылками на источник и описанием фильтров: какие классы соединений исключены и почему.
• Карточка модели — назначение, область применимости, метрики на отложенной выборке и перечень ситуаций, где точность падает: редкие функциональные группы, нестандартные катализаторы.
• Конфигурации препроцессинга — нормализация структур, словарь токенов, порядок признаков: без них тот же вход превратится в другой вектор, и прогноз разойдётся с эталоном.
• Регламент переобучения — шаги обновления выборки, набор метрик для сравнения версий и порог, при котором новая модель отклоняется в пользу предыдущей.
• Права доступа к данным — матрица ролей: кто видит выборку, кто инициирует обучение, кто выгружает результаты, плюс журнал операций по версиям модели.
• Комплект документации — схема контура, инструкции по развёртыванию и восстановлению, перечень зависимостей с указанием актуальной ветки.

Кейс: сокращение цикла подбора условий реакции

Задача шла из тонкого органического синтеза: на одной стадии выход не воспроизводился от партии к партии, а целевое значение не достигалось. До внедрения подбор условий занимал 40-60 лабораторных прогонов, гипотеза подтверждалась с первой попытки примерно в одном случае из пяти, а весь цикл растягивался на 6-8 недель.

Мы собрали обучающую выборку из опубликованных реакций (Reaxys) и внутренних лабораторных журналов заказчика, привели условия к единому описанию — реагенты, катализатор, растворитель, температура, время, атмосфера — и обучили модель предсказывать выход. Ретросинтез-модуль раскладывает целевую молекулу на доступные предшественники, после чего условия ранжируются по вероятности успеха. Модель дообучается на каждой новой серии экспериментов: результаты возвращаются в выборку, ранжирование пересчитывается, поэтому точность растёт по ходу проекта, а не фиксируется на старте.

После внедрения число прогонов на стадию сократилось до 12-15, доля подтверждённых гипотез с первой попытки вышла на 60-70%, а цикл подбора условий — на 12-14 дней. Там, где данных мало, модель помечает прогноз низкой уверенностью, и химик сразу видит, какие кандидаты проверять первыми, а какие считать рискованными.

Метрики считали по лабораторным результатам, а не по самоотчёту модели: параллельно шла контрольная серия по прежнему протоколу. Кроме скорости это дало ровный расход дорогих реагентов и предсказуемую загрузку лаборатории.

Чем отличается прогноз продуктов от ретросинтеза?

Прямая задача отвечает на вопрос «что получится, если смешать это и нагреть». На вход модель получает реагенты, условия (растворитель, температура, катализатор) и структуры в машиночитаемом виде — их разбирает RDKit. На выходе — ранжированный список продуктов с оценкой вероятности: видно не единственный вариант, а распределение, включая реальные побочные пути.

Ретросинтез — обратная задача: дана целевая молекула, нужно найти, из чего её собрать. На вход идёт структура продукта, на выходе — дерево маршрутов из реакций и промежуточных соединений, ведущих к доступному сырью. Отличие в типе ответа: прямая задача предсказывает, обратная — планирует, и потому выдаёт несколько путей разной длины и числа шагов.

На практике обратная задача почти всегда опирается на прямую: каждый предложенный шаг проверяется прямым прогнозом, иначе маршрут остаётся гипотезой. Поэтому выбор режима расчёта диктует вопрос заказчика — оптимизируем выход известной реакции или ищем путь к новой молекуле.

Технические сомнения: данные, точность, интеграция

Сомнения на этапе оценки обычно одни и те же: экспериментальных данных мало, редкие классы реакций модель просто не видела, лабораторные системы говорят на своём языке, и непонятно, как в ежедневной работе понять, что прогнозу можно верить. Ниже — разбор каждого пункта по существу.

Часть этих вопросов закрывается на этапе проектирования, а не после сдачи: от выбора набора данных для переноса модели до формата обмена с лабораторией. Приводим ответы так, как обсуждаем их с химиками и технологами.

Как быть с редкими классами реакций и нестандартными условиями?

Средняя точность по всему набору здесь ничего не доказывает, поэтому считаем метрики отдельно по каждому классу. Там, где данных не хватает, меняем режим: модель не выдаёт единственный продукт, а ранжирует варианты и помечает прогнозы низкой уверенности — химик видит список и принимает решение сам. Это убирает класс ошибок, когда модель уверенно называет неверное соединение.

Как прогноз встроится в нашу лабораторную систему?

Структуры и результаты передаём в стандартных форматах — структуры молекул, реестр соединений, идентификаторы образцов — чтобы данные не перебивались вручную. Расчёт оформляем как отдельный сервис: задание уходит в очереди, результат возвращается к протоколу эксперимента, доступы разграничены по ролям. Историю прогнозов и решений по ним сохраняем — по ней потом видно, где модель ошибалась.