基于表示引导的离散分子图反向合成
机器学习
2026-05-26 v1
摘要
基于随机过程的分子图生成器已成为无模板单步反向合成的前沿技术，但这些模型通常仅在产品-反应物对上进行训练，从而以间接且隐式的方式获得化学相关的表示。同时，最近的计算机视觉进展表明，为生成器提供表示引导可有效地将预训练编码器中的语义蒸馏到 DiT 中，显著提高收敛性和生成质量。是否可以将类似的收益延伸到反向合成任务，以及在何处进行图特定设计才能使其有效，仍是一个开放问题。为回答这些问题，我们在涵盖教师分子表示、端点和粒度选择、去噪器中的注入深度、对应策略和引导方案等统一设计空间中进行系统实证研究。基于这些考虑，我们开发了图驱动的表示引导（GRG），其在 USPTO-50k 上实现了 58.6 / 77.2 / 83.4 / 87.1 的 top-1 / 3 / 5 / 10 准确率，同时将多样性提升至 15.5，显著优于所采用的基础生成器。值得注意的是，GRG 在超出分布设置下始终改善所有 top-k 指标，表明表示引导有助于获取内在化学语义。此外，引入的表示引导将实现相同性能所需的 epoch 数减少 35%，实际运行时间减少 30%。此外，我们引入了一个简单而有效的基于表示相似性的重新排序机制，进一步在排序列表顶部提升性能，而无需训练额外的验证器。
引用
@article{arxiv.2605.24428,
title = {Representation-Guided Discrete Molecular Graph Retrosynthesis},
author = {Jiahai Huang and Anjie Qiao and Zhen Wang and Defu Lian and Yutong Lu},
journal= {arXiv preprint arXiv:2605.24428},
year = {2026}
}