Trustworthy Retrosynthesis: Eliminating Hallucinations with a Diverse Ensemble of Reaction Scorers¶

会议: NeurIPS 2026
arXiv: 2510.10645
领域: 计算生物与化学信息学
关键词: 逆合成分析、生成模型幻觉、反应评分器集成、专家化学评估、计算机辅助合成规划

一句话总结¶

针对逆合成分析中单步生成模型频繁生成荒谬幻觉反应的顽疾，RetroTrim 构建了融合反应先验（Reaction Prior）、图注意力可行性分类器（RGP）与文献检索评分器（RRS）的多样化评分器集成（MetaScorer），在 Retro* 树搜索中精准剪除不可行分支，在 32 个全新药物分子测试集上完全消除了幻觉路径并取得最高质量可行路线数。

研究背景与动机¶

计算机辅助逆合成规划（CASP）旨在为目标药物分子自动倒推合成路线，通过单步逆合成生成模型（SSR）与多步图搜索算法（如 Retro* 或 MCTS）迭代展开前体分子。随着以 Transformer 为代表的深度生成模型的大规模应用，SSR 模型的建议覆盖率显著提高。然而，生成模型不可避免地继承了深度模型的严重“幻觉（Hallucinations）”缺陷：生成看似结构匹配、实则违背基本化学机理、缺乏文献先例或依赖极其不稳定中间体的虚假反应。更棘手的是，逆合成路线评估耗时漫长，单个幻觉反应就会导致整条多步合成方案彻底报废，迫使化学家耗费数月甚至数年的研发资源去验证一条根本无法实现的死路。

传统评估手段往往依赖 Top-k 准确率或利用前向反应模型做往返验证（Round-trip accuracy）。但这些自动化代理指标在复杂药物空间中难以表征真实的化学可行性：往返一致并不意味着反应不发生区域选择性副反应或官能团冲突，而文献检索也无法直接判定新反应的合理性。过往研究尝试通过简单的二分类器或集成生成器（如 RetroChimera）来提升质量，但在面对前沿、未公开的复杂类药骨架时，仍频频漏过严重的幻觉反应。化学可行性的判定本质上涉及反应整体热力学/动力学合理性、反应中心拓扑变化以及与其他竞争性官能团的副反应选择性等多维考量，单一视角的评分器无法应对不同形态的化学错误。

本文的核心切入点在于利用集成学习理念将化学直觉显式解构为不同视角的验证机制：将全局反应似然、图结构官能团兼容性判别与基于化学键变换规则的文献先例检索正交结合。核心 idea：设计包含多维度反应先验（Reaction Prior）、图注意力正负样本分类器（RGP）与两级结构聚类文献检索（RRS）的多样化评分器集成（MetaScorer），在多步逆合成树搜索中严格剪枝，从根源上拦截各类化学幻觉反应并确保整条合成路线的化学可信度。

方法详解¶

整体框架¶

RetroTrim 整体系统由单步逆合成候选生成器（RootAligned Generator）、多样化反应评分集成（MetaScorer）以及基于 Retro* 的启发式树搜索规划器三部分协同组成。在多步逆合成规划过程中，生成器接收目标产物并展开一系列前体底物建议；随后 MetaScorer 对生成的单步反应进行化学合理性与文献支撑检验，仅当反应综合评分达到严苛阈值且存在粗粒度/细粒度文献先例支撑时才允许保留在搜索树中；不合格的分支被直接剪枝终止，搜索算法持续递归迭代直到所有分支前体均来自商业可买原料库（如 eMolecules）。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["目标药物分子输入"] --> B["RootAligned 生成器<br/>基于根对齐 SMILES 的 BART 模型"]
    B --> C["单步候选逆反应集合"]
    C --> D["MetaScorer 多样化反应集成评分"]
    subgraph D ["MetaScorer 多样化反应集成评分"]
        direction TB
        D1["反应先验评分器 RP<br/>全局似然 × 区域选择性 × 反应中心"]
        D2["图注意力可行性分类器 RGP<br/>双向模板扰动负样本训练"]
        D3["文献检索评分器 RRS<br/>粗/细两级化学键变换聚类"]
    end
    D -->|未过阈值 / 无先例| E["剪枝终止分支<br/>淘汰幻觉与不可行节点"]
    D -->|s_META = 1| F["Retro* 启发式多步树搜索"]
    F -->|未到达原料| B
    F -->|商业可买原料闭合| G["高置信度可信合成路径<br/>无幻觉反应输出"]

关键设计¶

1. 模拟化学家直觉的反应先验评分器（Reaction Prior, RP） 单纯依赖序列生成模型或前向检验模型往往无法捕捉局部反应位点与副反应竞争的细粒度差异。RP 采用自回归 BART 编码器-解码器架构，通过将化学家评估反应合理性时的直觉逻辑形式化为三个互补项的加权几何乘积，从而对反应进行全面审查： $$S_{final} = S_{RP}^\alpha \cdot S_{Regio}^\beta \cdot S_{RC}^\gamma$$ 其中全局先验得分 $S_{RP} = \frac{1}{\sqrt{T}} \log P(\text{reaction})$ 衡量整体反应序列在预训练化学空间中的出现似然度，通过序列长度平方根 $\sqrt{T}$ 归一化以抑制长度惩罚；反应中心得分 $S_{RC} = \frac{1}{T_{RC}} \sum_{i \in \text{reaction center}} \log P(\text{token}_i)$ 专门聚焦在发生化学键断裂与生成的反应中心原子，通过反应中心 token 数归一化，严厉惩罚反应位点预测置信度低的分支；区域选择性得分 $S_{Regio} = \log \left( \frac{P_{\text{desired}}}{P_{\text{undesired}} + \epsilon} \right)$ 则显式对比期望位点与分子中其他潜在反应位点的相对发生概率，精准拦截容易发生异构体副产物的候选反应。在药物分子领域，默认超参数设为 $\alpha=1, \beta=1.5, \gamma=2.5$。

2. 基于双向模板负样本的图注意力可行性分类器（Reaction Graph Plausibility, RGP） 很多化学生成模型在面对官能团不兼容或极端电子效应时无法有效识别潜在冲突。RGP 采用图注意力网络（GAT）对反应分子图进行建模，节点与边均融合了丰富的化学物理特征，并引入全局超级节点（Supernode）实现跨分子的长程信息交换。针对逆合成负样本缺失的关键瓶颈，RGP 在正向反应数据集的基础上设计了双向随机模板扰动机制：不仅在正向方向随机套用模板生成破坏选择性的负样本，还在逆向方向施加随机模板反应，人工诱导具有严重官能团不相容性、异常价态或离奇重排的负例。这使得 GAT 能够敏锐识别细微的官能团互斥与离去基团不匹配问题。

3. 粗细两级化学键变换聚类的文献检索评分器（Reference Reaction Scorer, RRS） 神经网络评分器在面对脱离已知化学空间的全新离奇结构时，容易出现分布外过度自信。RRS 引入结构化文献先例检索作为客观锚点。该模块通过基于化学键变化模式的两级反应聚类算法构建检索索引：首先通过反应中心连通分量与原子映射提取粗粒度（Coarse-grained）转化模式；随后进一步融合芳香体系、共轭双键等具有关键化学共振效应的子结构，形成细粒度（Fine-grained）聚类。最终的检索分数基于匹配簇内独立实验先例数量进行对数变换： $$p(\text{reaction}) = \log (n_{\text{ref}}(\text{reaction}) + 1)$$ 若某生成的反应在粗细聚类中完全找不到已知文献支撑（$n_{\text{ref}} = 0$），该反应即被视为潜在严重幻觉并触发一票否决。

4. 多源正交证据集成的 MetaScorer 判决机制 单一评分器各有短板：RRS 擅长捕获毫无先例的荒谬反应（Magic）与底物严重失配（Reactants mismatch），但在细微选择性问题上较为迟钝；RGP 擅长判别反应活性与区域选择性冲突，但可能对完全没见过的转化产生盲区；RP 则具有全局均衡的判别力。MetaScorer 将三者有机结合，连续得分为当 $n_{\text{ref}} > 0$ 时取 $\max(s_{\text{RGP}}, s_{\text{RP}})$，否则为 0；在多步树搜索中则采用硬阈值联合判定： $$s_{\text{META}} = \begin{cases} 1 & \text{if } s_{\text{RGP}} > \text{thr}_{\text{RGP}} \text{ and } s_{\text{RP}} > \text{thr}_{\text{RP}} \text{ and } n_{\text{ref}} > 0 \\ 0 & \text{otherwise} \end{cases}$$ 只有同时满足统计先验、图结构相容性与真实文献支撑三项准则的反应，才被认定为可靠反应节点进入下一步搜索展开。

损失函数 / 训练策略¶

生成器 RootAligned 采用 BART 序列到序列模型在高质量清洗后的 Pistachio（约 400 万条反应）上训练，以根对齐 SMILES 为输入输出表征，优化标准交叉熵自回归损失；RP 同样基于 BART 架构在 Pistachio 上以因果语言建模方式最小化交叉熵损失。RGP 图注意力网络在平衡的正样本与双向合成负样本集合上采用二元交叉熵损失（BCE）进行训练。在集成过滤阈值选定上，研究人员在兼顾精确率的同时施加硬性约束，要求整体系统在基准集上对至少 90% 的目标分子能够探索出完整路线，在标定集上对应 precision 达到约 0.8，避免了针对特定测试集的过度微调。

实验关键数据¶

主实验¶

为了客观衡量逆合成路线的可行性，研究团队制定了严谨的专家化学家多级审查规范，由化学博士对生成的路线进行逐反应复核，将每条路径按最严重错误划分为 Safe bet（完全可靠）、Worthwhile（可行但有适度风险）、Rather not（存在严重缺陷风险）和 Nonsense（纯粹化学幻觉）。在 32 个未公开的高难度全新药物靶点分子上的 Top-1 路径评估结果如下：

方法	评分器 / 验证机制	解决率 (%)	无幻觉率 (非 Nonsense, %)	Safe Bet 路径比例 (%)	存在幻觉路径比例 (Nonsense, %)
AiZynthFinder	模板生成 + 传统负例分类器	< 70	较低	极低	显著存在
IBM RXN	前向反应模型过滤	~75	中等	中等	仍有残余
RetroChimera	多生成器集成排序	93.8	~72	较高	> 25% (严重幻觉)
LocalRetro	局部反应中心预测	< 60	较低	极低	显著存在
RootAligned (无评分)	无过滤基线	100.0	43.8	低	56.2% (严重泛滥)
RootAligned + Forward	前向反应模型打分	96.9	59.4	中等	40.6%
RootAligned + RGP	图分类器 (RGP) 过滤	90.6	68.8	中等	31.2%
RootAligned + RRS	文献检索 (RRS) 过滤	90.6	71.9	中等	28.1%
RootAligned + RP	反应先验 (RP) 过滤	81.3	100.0	46.9	0.0%
RetroTrim (Ours)	MetaScorer 联合集成	90.6	100.0	62.5%	0.0%

消融与单项评分器能力分析¶

研究在包含 4,500+ 个专家标注反应的验证集上，对各评分器在区分可靠反应（Safe Bet 为正例）与严重问题反应（Rather Not 和 Nonsense 为负例）上的 ROC-AUC 与错误模式进行了细粒度解构：

评估维度 / 错误类别	样本规模 / 指标	RGP 单独	RRS 单独	RP 单独	MetaScorer (集成)
全局判别 ROC-AUC	全集反应	0.742	0.781	0.835	0.876
全局判别 PR-AUC	全集反应	0.685	0.730	0.792	0.834
荒谬机理 (Magic)	ROC-AUC	0.69	0.89	0.84	0.91
底物失配 (Reactants mismatch)	ROC-AUC	0.63	0.88	0.81	0.89
一锅法不可行 (One pot)	ROC-AUC	0.71	0.84	0.79	0.86
区域/化学选择性 (Selectivity)	ROC-AUC	0.82	0.66	0.78	0.84
底物反应性缺陷 (Reactivity)	ROC-AUC	0.80	0.68	0.76	0.82
官能团不兼容 (FG incompatibility)	ROC-AUC	0.75	0.72	0.81	0.83

关键发现¶

单一评分器的互补性与正交性：RRS 与 RP 在检测荒谬魔术反应（Magic）与底物失配上重叠率低，RRS 凭借严格的化学键变换聚类几乎以规则级威力扼杀了离奇结构幻觉；而在选择性（Selectivity）与反应活性（Reactivity）方面，RGP 图模型凭借电子效应特征大幅超越 RRS。三者假阳性交集占最小单项假阳性集合的比例极低，证明集成决策真正实现了多源证据互补。
覆盖率与可信度的权衡：无过滤的生成器虽然宣称在 100% 目标上找到路径，但超过一半的路线充斥着 Nonsense 幻觉；单一使用 RP 虽然消除了 Nonsense，但过度保守导致找到可行路径的分子比例降至 81.3%；而 MetaScorer 通过逻辑与/最大池化协作，在保持 0 幻觉的前提下将解决率重新拉回 90.6%，且生成的 Safe Bet 路径达到全场最高的 62.5%。

亮点与洞察¶

将化学家直觉显式数学化：RP 评分器不仅看整体序列对数似然，更显式分离出反应中心置信度与区域选择性概率比值，使得深层神经网络的统计打分与物理有机化学思维紧密对齐。
两级变换聚类打破无先例幻觉：基于粗粒度反应中心与细粒度共轭/芳香环境的 RRS 检索方案兼具通用性与化学特异性，为黑盒神经网络施加了坚实的化学文献先验护栏。
专家化学家细粒度评估标准：打破了过去仅靠往返验证或简单偏好盲测的局限，定义了包含 7 类典型化学缺陷（如离奇机理、稳定性缺陷、官能团互斥）与 4 级置信度的严谨评价框架，为 CASP 领域确立了全新的可信度基准。

局限与展望¶

药用化学数据分布偏差：模型与检索库主要基于 Pistachio 药物化学数据集，在面对天然产物复杂多环骨架、全合成极端反应条件或材料化学领域时，评分器的适用性与文献覆盖度可能有所衰减。
仅聚焦 Top-1 路线评估：当前实验重点评估了系统输出的第一条路径的可靠性，严苛的剪枝过滤是否会压缩生成路线的多样性（Diversity）仍有待进一步系统性探索。
立体选择性与动力学条件建模不足：当前评分器对复杂手性中心的对映选择性控制、催化剂/配体/溶剂相互作用的物理细节建模仍相对间接，未来可进一步结合量子化学特征（如 DFT 计算势垒）以强化极端敏感反应的判别。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [将先验评分、图分类与两级检索聚类构成集成判定，首创 7 类专家错误分类评价体系]
实验充分度: ⭐⭐⭐⭐⭐ [化学博士对 4500+ 反应与 32 个未公开药物靶点全路线人工盲审，消融深入详实]
写作质量: ⭐⭐⭐⭐⭐ [动机明确、化学机理与数学表述清晰、正负样本设计极具说服力]
价值: ⭐⭐⭐⭐⭐ [彻底解决逆合成生成模型幻觉落地难题，获百万美元竞赛冠军验证，实用价值巨大]