通过迭代路径优化探索可合成化学空间
机器学习
2026-01-13 v2
摘要
分子生成模型的一个众所周知的缺陷是，它们不能保证生成可合成的分子。针对此问题的现有解决方案通常难以有效导航指数级庞大的可合成分子组合空间，且覆盖率差。为解决此问题，我们引入了 ReaSyn，这是一个迭代式生成路径优化框架，通过将输入分子投影到可合成空间来获得其可合成类似物。具体来说，我们提出了一种简单的合成路径表示，允许在合成树的自底向上和自顶向下遍历中生成路径。我们设计 ReaSyn，使得自底向上和自顶向下的路径都可以通过一个统一的回归模型进行采样。因此，ReaSyn 能够以双向方式迭代优化生成合成树的子树。此外，我们引入了一个离散流模型，该模型通过插入、删除和替换等编辑操作在整个路径级别优化生成的路径。由（1）自底向上解码、（2）自顶向下解码和（3）整体编辑组成的迭代优化循环构成了一种强大的路径推理策略，使模型能够探索广阔的可合成分子空间。实验表明，ReaSyn 在可合成分子重建中实现了最高的重建率和路径多样性，在可合成目标导向分子优化中实现了最高的优化性能，并在可合成命中物扩展中显著优于以往的可合成投影方法。这些结果突显了 ReaSyn 在导航组合庞大的可合成化学空间方面的卓越能力。
引用
@article{arxiv.2509.16084,
title = {Exploring Synthesizable Chemical Space with Iterative Pathway Refinements},
author = {Seul Lee and Karsten Kreis and Srimukh Prasad Veccham and Meng Liu and Danny Reidenbach and Saee Paliwal and Weili Nie and Arash Vahdat},
journal= {arXiv preprint arXiv:2509.16084},
year = {2026}
}