Microsoft Research сообщила о публикации своей модели ретросинтеза RetroChimera в Nature. RetroChimera — это основа прогнозирования ретросинтеза, построенная на основе двух моделей. Ретросинтетическое планирование начинается с целевой молекулы и рассматривает возможные предшественники или разъединения, которые могут к ней привести. Платформа подходит к этой задаче путем объединения двух разных методов моделирования и последующего объединения их ранжированных предложений.

TДве модели, разные пути к предложениям

Первый компонент, R-SMILES 2, представляет собой модель de novo на основе Transformer. Он предсказывает молекулы-предшественники непосредственно на основе входной молекулы. Его описанная роль заключается в прямом предсказании: он обеспечивает один путь от молекулы-мишени к возможным предшественникам, не полагаясь на процедуру выбора матрицы, описанную для другого компонента.

Второй компонент, NeuralLoc, представляет собой графовую нейронную сеть. Он кодирует целевые молекулы и шаблоны реакций в виде графиков, выбирает шаблоны и предсказывает, где их применить. Таким образом, его процесс делает выбор и размещение шаблона реакции частью прогноза. Два компонента предлагают разные способы предложить результаты ретросинтеза, и RetroChimera использует ранжированные прогнозы обеих подмоделей, а не представляет список только одной модели.

Объединение ранжированных прогнозов

RetroChimera объединяет ранжированные прогнозы двух своих подмоделей с помощью стратегии изученного ансамбля. В стратегии используются голоса, зависящие от ранга, поэтому позиция прогноза в рейтинге модели имеет значение при объединении результатов. Когда обе модели предлагают одинаковую реакцию, их голоса суммируются. Таким образом, согласие между компонентами способствует объединенному рейтингу наряду с рангами, присвоенными отдельными моделями.

Это центральная конструкция, описанная в статье: один компонент напрямую предсказывает прекурсоры, а другой выбирает и находит шаблоны реакций; изученная процедура объединяет их ранжированные результаты. Комбинация — это способ организации прогнозов на основе двух моделей. Описание статьи не дает рейтинга гарантии того, что предложенный маршрут был экспериментально реализован или что каждое предложение осуществимо. Прогноз – это предложение для рассмотрения, а представленная экспертная оценка касается предпочтений среди предложений.

Отчетные результаты и экспертная оценка

В статье говорится, что RetroChimera эффективно работает в распространенных и редких классах реакций и дает прогнозы, которые лучше соответствуют мнениям химиков. В нем также сообщается о слепых тестах, в которых эксперты-химики предпочли предложения RetroChimera по разъединению сложных молекул предложениям составляющих ее подмоделей, устоявшихся подходов и самого набора тестов. Это сравнение показывает, что предпочли участвующие эксперты в этих тестах; его следует читать в этом контексте.

Это различие важно для понимания того, о чем говорит результат. Система прогнозирует ретросинтетические предложения, а отчет слепого теста описывает предпочтения экспертов среди этих предложений. В статье не говорится, что каждое предложенное отключение было проверено экспериментально. Соответственно, заявленное предпочтение само по себе не означает, что каждое ранжированное предложение может быть реализовано в лаборатории. Результат, описанный Microsoft Research, заключается в том, что в заявленном сравнении предпочтение было отдано предложениям комбинированной модели, а также ее заявленной эффективности в распространенных и редких классах реакций.

Доступность и контекст

Microsoft Research заявила, что открыла исходный код реализации и веса RetroChimera. В статье говорится, что модель доступна на GitHub под лицензией MIT и доступна через Microsoft Foundry. Эти сведения определяют каналы доступности, о которых сообщает Microsoft Research; они не добавляют отдельное заявление о производительности. Работа представлена ​​как исследование по прогнозированию синтеза малых молекул в масштабе, в центре которого лежит двухмодельная конструкция.

Для читателей практическим моментом является разделение труда внутри модели. R-SMILES 2 сопоставляет входную молекулу непосредственно с предсказанными молекулами-предшественниками. NeuralLoc представляет цели и шаблоны в виде графиков, выбирает шаблоны и прогнозирует места их применения. Затем RetroChimera использует обученное голосование в зависимости от ранга для объединения двух ранжированных результатов, добавляя голоса, когда обе модели предлагают одинаковую реакцию. Сообщенное предпочтение слепого тестирования обеспечивает экспертное сравнение этих предложений, а заявления о публикации и доступности описывают, как Microsoft Research представила и выпустила работу.

Вместе эти элементы объясняют изложенное в статье описание РетроХимеры: система прогнозирования ретросинтеза, комбинация прямой генерации и прогнозирования на основе шаблонов, изученная стратегия ранжирования и сообщаемые экспертные предпочтения в отношении разъединений сложных молекул. Претензии здесь следуют за статьей Microsoft Research, включая ее заявления о публикации, заявленной производительности, а также доступе к реализации и весам.