全新反應描述語言可編碼化學反應中分子編輯操作

　　中國科學院上海藥物研究所研究員鄭明月團隊，報道了一種名為ReactSeq反應描述語言，該語言可以編碼化學反應中的分子編輯操作，使自然語言處理模型（NLP）在逆合成預測、反應表征檢索、交互問答等方面表現得更為出色。5月13日，相關研究發表于《自然-機器智能》。

　　以大語言模型為代表的人工智能（AI）技術在自然語言處理方面取得了前所未有的突破，正在深刻改變科學研究的范式。近年來，在化學與藥物研發領域，處理化學分子與反應的化學語言模型（CLMs）逐漸興起。由于化學分子缺乏固有的順序表示，CLM利用化學家定義的分子線性編碼來學習和生成分子結構，目前最常用的分子線性編碼是簡化分子輸入線輸入系統（SMILES）。

　　為了提升CLMs在特定任務中的表現，學界設計了一些新的分子線性編碼語言，用于描述化學分子的靜態結構。然而，這些語言無法明確描述化學反應過程中分子中原子和鍵的變化過程，嚴重限制了語言模型在化學反應預測和表示中的應用。

　　為了克服上述挑戰，研究團隊設計了一種新的化學反應描述語言ReactSeq。ReactSeq定義了從產物結構出發，將其轉化為反應物分子所需的一系列分子編輯操作（MEO），包括化學鍵的斷裂和變化、原子電荷的改變以及離去基團的附著。在基于ReactSeq的逆合成模型中，反應物通過這些MEO從產物分子轉化而來，確保了預測反應物和產物之間的精確原子映射，增強了模型的可解釋性。

　　利用ReactSeq，在不改變基本變換器（Transformer）架構的情況下便能在逆合成預測中實現最先進的性能。同時，ReactSeq具有表示MEO的顯式令牌，可以對人類指令進行編碼和上下文提示。測試結果表明，人類專家的提示可以顯著提高模型的性能，甚至指導語言模型探索新的反應，這些MEO令牌也有利于提取反應表示，且可以產生更加精準且具有內在化學意義的反應表示。

　　基于該策略并結合自監督學習，研究團隊構建了一種通用且可靠的反應表示方法，能夠自然地區分反應類型并評估其相似性，從而提升相似反應檢索、實驗流程推薦以及反應收率預測等一系列下游任務上的表現。

　　研究團隊表示，這項研究為垂直領域的大語言模型賦予了多項涌現的新能力，顯著提升了自然語言處理模型應對復雜化學問題的能力，為化學領域的人工智能基礎模型開發提供了新的思路。