AI моделювання хімічних реакцій: де ламається прогноз
Модель, навчена на парах «реагенти → продукт», впевнено поводиться на одностадійних перетвореннях: заміщення, відновлення, стандартне ацилювання відтворюються майже без помилок.
Точність передбачення на таких реакціях тримається високою, і виникає відчуття готового інструмента, якому можна довірити планування синтезу.
Ламається все там, де схема перестає бути лінійною. На багатостадійних маршрутах помилка першої стадії накопичується по всьому ланцюгу: проміжна сполука визначена неправильно — і прогноз продуктів реакції розходиться з реальністю вже на третьому-четвертому кроці. Небезпечніше за явну відмову те, що модель видає неправильну структуру з високою впевненістю.
Друге вузьке місце — рідкісні класи сполук. Якщо в навчальній вибірці клас представлений поодинокими прикладами, модель екстраполює за найближчими аналогами, втрачає функціональні групи й домальовує звичний скелет.
Під час перенесення на іншу сировину — інша чистота, інший катализатор, розчинник, температурний режим — зсувається сам розподіл даних, і метрики, зняті на вихідній вибірці, перестають щось означати.
Окрема тема — розмітка експериментальних даних. Зведення з різних лабораторій мають різну нотацію, умови й трактування виходу; публікуються переважно вдалі досліди, тому модель навчається на зміщеній картині.
Без нормалізації структур, умов і негативних результатів будь-яке подальше виправлення впирається в якість розмітки, а не в обсяг обчислень.
Тому AI моделювання хімічних реакцій починається не з вибору моделі, а з карти її меж застосовності: де прогноз підтверджується, де потребує лабораторної перевірки, а де ми зобов’язані чесно повернути «не знаю».
Швидкість перебору гіпотез і охоплення хімічного простору
Перебір гіпотез до першого синтезу відбувається не в колбах, а в дереві ретросинтетичних кроків: модель розгортає цільову молекулу назад, доходить до комерційно доступних прекурсорів і збирає маршрути.
Раніше хімік встигав опрацювати за тиждень одиниці схем — тепер обхід дерева дає тисячі гілок за лічені години, і в лабораторію йдуть лише верхні.
Дерево будується на правилах трансформацій і нейромережевих оцінках, навчених на масивах реакцій з Reaxys і патентних вивантаженнях. Кожен вузол отримує набір чисел: імовірність кроку, число стадій, доступність реагентів, прогноз виходу.
Пошук перетворюється з інтуїції на ранжування — і відразу видно, де маршрут сходиться, а де розпадається на малоймовірні ланки.
Відсів маршрутів відбувається до замовлення першого реагенту.
З черги виходять схеми через важкодоступні прекурсори, конфлікти захисних груп, несумісні функціональні групи на одній стадії, небезпечні та термодинамічно невигідні перетворення, а також довгі обходи там, де є короткий шлях. Окремо фільтруються гілки, що спираються на поодинокі публікації без підтвердженого відтворення.
Практичний ефект — скорочення лабораторних прогонів: синтезують п’ять–десять найкращих кандидатів замість півсотні, а тупикові класи схем взагалі не доходять до витяжної шафи.
Охоплення хімічного простору при цьому зростає за рахунок областей, куди хімік за звичкою не дивиться: нестандартний порядок стадій, менш очевидний прекурсор, зміна точки введення групи. Частина таких маршрутів виявляється робочою і економить цілу ітерацію.
Режими роботи: точний ретросинтез проти швидкого прогнозу
Два режими розрахунку відрізняються постановкою задачі. Прямий прогноз відповідає на питання «що вийде з цієї суміші»: на вхід ідуть реагенти, каталізатор і умови, на виході — набір продуктів з оцінкою ймовірності.
Ретросинтез іде зворотним ходом — від цільової молекули до прекурсорів, з деревом маршрутів і ранжуванням за доступністю сировини.
Обмеження в них різні, і плутати їх дорого. Прогноз продуктів не знає, чи є реагенти на складі, а ретросинтез не перевіряє, чи йде кожен крок із прийнятним виходом. Тому режим вибирають за постановкою задачі, а не за «потужністю» моделі.
| Режим розрахунку | Коли підходить | Обмеження |
|---|---|---|
| Прямий прогноз продуктів | Відомі реагенти й умови, потрібно оцінити вихід і побічні продукти | Не підказує, чи доступна сировина і як отримати самі реагенти |
| Одностадійний ретросинтез | Цільова молекула близька до комерційних прекурсорів, потрібна швидка відповідь | Ігнорує порядок стадій і накопичення домішок |
| Багатостадійний ретросинтез | Потрібен повний маршрут від доступної сировини під задані обмеження | Кожен крок потребує перевірки, якість залежить від довідкових даних |
На практиці режими поєднують: ретросинтез будує маршрут, а прямий прогноз проганяє кожен крок і відсікає шляхи з низьким виходом або небажаними побічними продуктами. Такий прогін помітно скорочує частку неробочих маршрутів ще до лабораторії.
Етапи впровадження: від постановки задачі до валідації моделі
Розбір починається не з моделі, а з інвентаризації накопичених даних: які реакції задокументовано, як зберігаються умови, наскільки повно описано каталізатори й розчинники.
Паралельно фіксуємо критерії приймання — частку правильно передбачених продуктів і повноту відновлених шляхів ретросинтезу.
- Постановка задачі. Уточнюємо клас реакцій, допустимі вхідні дані та те, як використовується результат: підказка хіміку або автоматичний відбір кандидатів.
- Схема даних. Приводимо записи до єдиного вигляду: канонізуємо структури, розділяємо реагенти й умови, позначаємо пропуски. Тут же визначаємо, що не потрапить у навчання, — інакше модель побачить відповіді заздалегідь.
- Збирання й навчання. Вибираємо представлення молекул та архітектуру під тип задачі, окремо налаштовуємо обробку рідкісних класів реакцій.
- Валідація моделі на відкладеній вибірці. Перевіряємо на реакціях, яких модель не бачила: розбиття за часом і за малознайомими структурними каркасами. Дивимося не лише середню метрику, а й розкид за підкласами.
- Розбір помилок і меж застосовності. Визначаємо, де модель помиляється передбачувано і де від неї потрібно вимагати відмови замість правдоподібного припущення.
- Передача в експлуатацію. Оформлюємо сервіс, версіонування моделей, контроль вхідних даних, регламент донавчання і відкат на попередню версію.
На виході — робочий контур зі зрозумілими межами застосовності, а не звіт із метриками.
Що залишається в замовника: моделі, дані, регламенти
Роботи закінчуються не презентацією, а передачею стенда: у вашому контурі залишаються навчена модель, дані, на яких вона побудована, конфігурації обробки й документи, за якими ваша команда сама запускає прогнози й оновлює модель. Нижче — що саме передається і як цим користуватися без нас.
- Ваги моделі та код запуску — модель у переносному форматі й обгортка розрахунку: прогнози продуктів і маршрути ретросинтезу рахуються на вашому обладнанні, без звернення до наших серверів.
- Навчальна й перевірна вибірка — реакції з умовами й продуктами, посиланнями на джерело та описом фільтрів: які класи сполук виключено і чому.
- Картка моделі — призначення, область застосовності, метрики на відкладеній вибірці та перелік ситуацій, де точність падає: рідкісні функціональні групи, нестандартні каталізатори.
- Конфігурації препроцесингу — нормалізація структур, словник токенів, порядок ознак: без них той самий вхід перетвориться на інший вектор, і прогноз розійдеться з еталоном.
- Регламент перенавчання — кроки оновлення вибірки, набір метрик для порівняння версій і поріг, за якого нова модель відхиляється на користь попередньої.
- Права доступу до даних — матриця ролей: хто бачить вибірку, хто ініціює навчання, хто вивантажує результати, плюс журнал операцій за версіями моделі.
- Комплект документації — схема контуру, інструкції з розгортання й відновлення, перелік залежностей із зазначенням актуальної гілки.
Кейс: скорочення циклу підбору умов реакції
Задача надійшла з тонкого органічного синтезу: на одній стадії вихід не відтворювався від партії до партії, а цільове значення не досягалося.
До впровадження підбір умов займав 40-60 лабораторних прогонів, гіпотеза підтверджувалася з першої спроби приблизно в одному випадку з п’яти, а весь цикл розтягувався на 6-8 тижнів.
Ми зібрали навчальну вибірку з опублікованих реакцій (Reaxys) і внутрішніх лабораторних журналів замовника, привели умови до єдиного опису — реагенти, каталізатор, розчинник, температура, час, атмосфера — і навчили модель передбачати вихід.
Модуль ретросинтезу розкладає цільову молекулу на доступні попередники, після чого умови ранжуються за ймовірністю успіху.
Модель донавчається на кожній новій серії експериментів: результати повертаються у вибірку, ранжування перераховується, тому точність зростає по ходу проєкту, а не фіксується на старті.
Після впровадження число прогонів на стадію скоротилося до 12-15, частка підтверджених гіпотез з першої спроби вийшла на 60-70%, а цикл підбору умов — на 12-14 днів.
Там, де даних мало, модель позначає прогноз низькою впевненістю, і хімік відразу бачить, яких кандидатів перевіряти першими, а яких вважати ризикованими.
Метрики рахували за лабораторними результатами, а не за самозвітом моделі: паралельно йшла контрольна серія за попереднім протоколом. Крім швидкості це дало рівномірні витрати дорогих реагентів і передбачуване завантаження лабораторії.
Чим відрізняється прогноз продуктів від ретросинтезу?
Пряма задача відповідає на питання «що вийде, якщо змішати це й нагріти». На вхід модель отримує реагенти, умови (розчинник, температура, каталізатор) і структури в машиночитному вигляді — їх розбирає RDKit.
На виході — ранжований список продуктів з оцінкою ймовірності: видно не єдиний варіант, а розподіл, включно з реальними побічними шляхами.
Ретросинтез — обернена задача: дана цільова молекула, потрібно знайти, з чого її зібрати. На вхід іде структура продукту, на виході — дерево маршрутів із реакцій і проміжних сполук, що ведуть до доступної сировини.
Відмінність у типі відповіді: пряма задача передбачає, обернена — планує, і тому видає кілька шляхів різної довжини й числа кроків.
На практиці обернена задача майже завжди спирається на пряму: кожен запропонований крок перевіряється прямим прогнозом, інакше маршрут залишається гіпотезою.
Тому вибір режиму розрахунку диктує питання замовника — оптимізуємо вихід відомої реакції чи шукаємо шлях до нової молекули.
| Режим | Що на вході | Що на виході | Коли вибирати |
|---|---|---|---|
| Пряма задача | реагенти й умови | продукти з ймовірностями | підвищити вихід, розібрати побічні шляхи |
| Ретросинтез | цільова структура | дерево маршрутів синтезу | потрібен шлях до сполуки |
| Ретросинтез з перевіркою | структура й обмеження за сировиною | маршрути, підтверджені прямим прогнозом | важлива відтворюваність у лабораторії |
Технічні сумніви: дані, точність, інтеграція
Сумніви на етапі оцінки зазвичай одні й ті самі: експериментальних даних мало, рідкісні класи реакцій модель просто не бачила, лабораторні системи говорять своєю мовою, і незрозуміло, як у щоденній роботі зрозуміти, що прогнозу можна вірити. Нижче — розбір кожного пункту по суті.
Частина цих питань закривається на етапі проєктування, а не після здачі: від вибору набору даних для перенесення моделі до формату обміну з лабораторією. Наводимо відповіді так, як обговорюємо їх із хіміками й технологами.
У нас кілька сотень експериментів — цього вистачить для моделі?
Рідко хто починає з нуля: беремо відкриті масиви реакцій потрібного типу, навчаємо модель на них, потім донавчаємо на ваших даних. Кожен ваш експеримент потрапляє у вибірку й підвищує точність, тому далі працюємо циклами — прогноз, перевірка в лабораторії, уточнення.
Для одного класу перетворень кількох сотень записів зазвичай достатньо; якість підтверджуємо на відкладеній вибірці, а не на даних, які модель бачила.
Як бути з рідкісними класами реакцій і нестандартними умовами?
Середня точність по всьому набору тут нічого не доводить, тому рахуємо метрики окремо за кожним класом.
Там, де даних не вистачає, змінюємо режим: модель не видає єдиний продукт, а ранжує варіанти й позначає прогнози низькою впевненістю — хімік бачить список і ухвалює рішення сам. Це прибирає клас помилок, коли модель упевнено називає неправильну сполуку.
Як прогноз вбудується в нашу лабораторну систему?
Структури й результати передаємо у стандартних форматах — структури молекул, реєстр сполук, ідентифікатори зразків — щоб дані не перебивалися вручну.
Розрахунок оформлюємо як окремий сервіс: завдання йде в черги, результат повертається до протоколу експерименту, доступи розмежовані за ролями. Історію прогнозів і рішень за ними зберігаємо — за нею потім видно, де модель помилялася.
Хто і як контролює якість прогнозу після запуску?
Відкладена вибірка й хронологічний контроль: модель перевіряємо на реакціях, поставлених після її навчання, і стежимо за розходженням прогнозу з результатом. Частки підтверджених прогнозів і типи розходжень виводимо у звіт, при зсуві даних запускаємо донавчання за регламентом. Якщо точність за класом падає нижче узгодженого порогу, модель за ним перестає давати рекомендації.
Обговоримо задачу: що надіслати для попередньої оцінки
Оцінка обсягу робіт спирається на факти, а не на припущення, тому стартуємо з вихідних відомостей про задачу. Нижче — що надіслати: за кожним пунктом видно, скільки потрібно підготовки даних, моделювання й перевірок, після чого ми повертаємося з планом робіт і оцінкою.
- Постановка задачі: що саме передбачаємо — продукти реакції, вихід, селективність або маршрут ретросинтезу, і на якому рівні деталізації: клас перетворення чи конкретні умови проведення.
- Вихідні дані: вивантаження з електронних лабораторних журналів, літературні набори, внутрішні архіви реакцій — у машиночитному вигляді, зі структурами (SMILES або InChI), умовами (розчинник, каталізатор, температура) і цільовими значеннями.
- Обсяг і якість даних: скільки записів, частка невдалих і негативних прикладів, чи є пропуски за умовами, дублікати й розходження в номенклатурі сполук.
- Хімічний простір: класи сполук і реакцій, які повинні потрапляти в область застосовності моделі, і як ви визначаєте вихід за її межі.
- Критерії приймання: як перевіряємо якість — відкладена вибірка, ретроспективна перевірка на відомих реакціях, частка потраплянь правильного маршруту в перші кілька варіантів ретросинтезу.
- Обмеження впровадження: де рішення буде працювати — у закритому контурі чи на зовнішніх потужностях, як вбудовується в поточний процес, які вимоги до часу відповіді та до пояснюваності передбачення.
- Експертиза на вашій стороні: хто з хіміків підтверджує коректність даних і результатів і скільки часу готовий виділити на валідацію.
Якщо частина відомостей відсутня, це не блокує розбір: ми позначимо, як їх зібрати або чим замінити, і закладемо цей етап у план.
