ReactAIvate：面向预测反应机制与揭示活性热点点的深度学习方法

化学反应机制（CRM）是一系列涉及键断裂/键形成过程的分子水平事件，沿反应路径生成瞬态中间体，使反应物转化为产物。理解此类机制对于设计和发现新反应至关重要。目前探索CRM的主要方法之一是量子力学（QM）计算。鉴于QM方法的计算资源密集以及基于机制的数据稀缺，迫切需要开发可靠的机器学习模型来预测机制。本研究构建了一个包含七类不同类别的综合数据集，每类代表唯一特征的 elementary 步骤。随后，我们开发了一种可解释的注意力机制图神经网络（GNN），分别在反应步骤分类和预测每一步中活性原子方面取得近乎完美和96%的准确率，捕捉到更广阔反应背景与局部活性区域之间的相互作用。近乎完美的分类使我们能够准确预测单个事件以及整个CRM，弥合了基于序列到序列（Seq2Seq）方法中错误预测字符导致反应机制识别不连贯的潜在缺陷。除了可解释性，我们的模型也能从分布之外的类别中准确识别关键原子。这种可 generalization 能力使得新反应类型可以以模块化方式纳入，从而对理解新分子活性方面具有重要价值。