Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Модель химических реакций научили выбирать изменения связей так, чтобы она не могла нарушить валентность ни на одном промежуточном шаге. В нерецензированном препринте Wageningen University, где все числа получили сами авторы, Neural Petri Flow сопоставила атомы в 88,8% реакций Golden set против 85,6% у RXNMapper. Для продуктовой команды работа предлагает конкретное разделение: химические правила вычисляет архитектура, а нейросеть учит только то, что из этих правил не следует.
Почему сеть не может нарушить валентность
Авторы представляют реакцию как сеть Петри. Её позиции соответствуют связям между атомами и свободной валентности каждого атома, жетоны задают порядок связи, а переходы формируют или разрывают связи. Одинарная связь занимает один жетон, двойная — два.
При переходе жетоны не исчезают, а перемещаются между связью и свободной валентностью. Поэтому бюджет валентности каждого атома сохраняется автоматически. Например, углерод с четырьмя занятыми связями не сможет получить ещё одну: сначала какой-либо переход должен освободить валентность.
Neural Petri Flow, или NPF, не учит это правило по примерам. Слой без обучаемых параметров обновляет состояние только через допустимые переходы, а маска блокирует шаги, для которых не хватает свободной валентности. Ограничение действует при любых весах модели, а не только на реакциях, похожих на обучающие.
Нейросеть учит закон скоростей — оценку того, какой из доступных переходов стоит выбрать следующим. Она видит всю текущую структуру молекул, назначает вероятности разрешённым изменениям связей и повторяет выбор до остановки. Веса отвечают за химический выбор, но не могут изменить правила учёта жетонов.
Это отличается от моделей, где сеть Петри служит лишь графом для передачи сообщений. Там скрытые состояния не обязаны соответствовать достижимым химическим состояниям. В NPF результат каждого шага остаётся состоянием исходной сети, а сохранение валентности следует из способа вычисления.
Один вектор связывает три химические задачи
Реакцию NPF описывает вектором срабатываний — неупорядоченным перечнем сформированных и разорванных связей. Для сопоставления атомов система находит вариант с минимальным числом изменений без обучения. Для классификации отдельная модель читает этот вектор, а для предсказания продукта пытается его восстановить по исходным веществам.
На патентном наборе USPTO-480K модель правильно предсказала основной продукт в 87,7% случаев. При обучении на 1% реакций результат составил 67,4%, поэтому жёсткая структура особенно интересна там, где размеченных примеров мало. На ECREACT классификатор определил третий уровень номера фермента для 90,2% реакций.
Проверка охватывает сопоставление атомов на Golden set и EnzymeMap, предсказание продуктов на патентных реакциях, классификацию ферментов и восстановление элементарных электронных шагов на FlowER. Для электронных шагов жетонами становятся электроны, а разрешающим правилом — октет; первый предсказанный результат всегда образовывал допустимую молекулу без отдельного фильтра.
Интерпретировать последовательность срабатываний как механизм реакции нельзя. В приведённом примере сочетания Сузуки модель выбирает порядок, который корректно ведёт к продукту с точки зрения валентности, но не повторяет механизм с участием палладия. Полезным объяснением остаётся набор изменений связей, а не их вычислительный порядок.
Когда жёсткая структура меняет план разработки
NPF меняет выбор архитектуры, если ошибка модели должна быть не просто редкой, а невозможной в пределах формализованного правила. Это относится к конвейерам, где следующий этап ожидает корректный молекулярный граф, а исправление невалидных структур отдельным фильтром усложняет трассировку и тестирование.
Работа также показывает способ разделить одну предметную модель между несколькими функциями продукта. Сопоставитель атомов создаёт цели для обучения, классификатор использует тот же вектор изменений, а предсказатель восстанавливает его из реагентов. Команда может проверять общий промежуточный формат вместо трёх несвязанных представлений реакции.
Подход потребует пересмотреть систему, если она сейчас напрямую генерирует SMILES или произвольные изменения графа. Нужно явно задать позиции, переходы, сохраняемые величины и правила разрешения шагов. Это окупается, когда такие инварианты известны заранее; если их нельзя точно выразить, архитектура не даёт той же гарантии.
Результаты не означают общего преимущества на любом распределении. В опытах со сдвигом по размеру молекул структурные компоненты не улучшили качество, а основные проверки относятся к реакциям, которые можно представить через изменения связей тяжёлых атомов или перенос электронов. Практический вывод уже: предметные ограничения стоит переносить из функции потерь в вычислительный граф, когда продукт обязан соблюдать их при любом ответе модели.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
