Retrosynthesis中顺序至关重要：基于反应中心引导的离散流匹配结构感知生成
机器学习
2026-02-16 v1
摘要
模板无retrosynthesis方法将任务视为黑盒序列生成，限制了学习效率；而半模板方法依赖刚性反应库，限制了泛化能力。我们通过一个关键洞察：神经表示中的原子排序 matters，来弥合这一差距。基于这一洞察，我们提出一种结构感知模板无框架，将化学反应的两个阶段编码为位置归纳偏置。通过将反应中心原子置于序列头部，我们将隐式化学知识转化为显式的位置模式，供模型捕获。提出的RetroDiT主干网络是一个带有旋转位置嵌入的图变换器，利用这种排序来优先处理化学关键区域。结合离散流匹配，我们的方法将训练与采样解耦，使生成步骤数从500降至20-50。我们的方法在USPTO-50k（61.2% top-1）和大规模USPTO-Full（51.3% top-1）上实现了最先进的性能（使用预测反应中心），若使用oracle中心，性能分别达到71.1%和63.4%，超越在100亿级反应上训练的基础模型，仅使用数量级更少的数据。消融研究进一步表明，结构先验优于粗暴扩展：28万参数的模型在正确排序下，可匹配6500万参数的模型。
引用
@article{arxiv.2602.13136,
title = {Order Matters in Retrosynthesis: Structure-aware Generation via Reaction-Center-Guided Discrete Flow Matching},
author = {Chenguang Wang and Zihan Zhou and Lei Bai and Tianshu Yu},
journal= {arXiv preprint arXiv:2602.13136},
year = {2026}
}