[논문 리뷰] Predicting Electron Paths.

John Bradshaw, Matt J. Kusner외 3명|arXiv (Cornell University)|2018. 05. 23.

Machine Learning in Materials Science참고 문헌 20인용 수 11

한 줄 요약

이 논문은 원자 매핑이 된 SMILES 문자열에서 학습함으로써 화학 반응에서 전자의 이동을 예측하는 딥러닝 모델인 ELECTRO를 소개한다. 제품 예측 대신 직접 전자 경로를 모델링함으로써, ELECTRO는 UPSTO 데이터셋의 부분집합에서 최신 기술 수준의 성능을 달성하며, 화학적 제약 조건을 자연스럽게 통합하고, 명시적인 화학 규칙 학습 없이도 설명 가능하고 희소한 반응 메커니즘을 제공한다.

ABSTRACT

Chemical reactions can be described as the stepwise redistribution of electrons in molecules. As such, reactions are often depicted using arrow-pushing diagrams which show this movement as a sequence of arrows. We propose an electron path prediction model (ELECTRO) to learn these sequences directly from raw reaction data. Instead of predicting product molecules directly from reactant molecules in one shot, learning a model of electron movement has the benefits of (a) being easy for chemists to interpret, (b) incorporating constraints of chemistry, such as balanced atom counts before and after the reaction, and (c) naturally encoding the sparsity of chemical reactions, which usually involve changes in only a small number of atoms in the reactants. We design a method to extract approximate reaction paths from any dataset of atom-mapped reaction SMILES strings. Our model achieves state-of-the-art results on a subset of the UPSTO reaction dataset. Furthermore, we show that our model recovers a basic knowledge of chemistry without being explicitly trained to do so.

연구 동기 및 목표

• 원시 반응 데이터에서 직접 전자 이동을 학습할 수 있는 모델을 개발하는 것.
• 결과 제품 예측 대신 전자 경로를 모델링하여 화학자들이 더 잘 이해할 수 있도록 해석 가능성을 향상시키는 것.
• 원자 균형과 반응의 희소성과 같은 내재된 화학적 제약 조건을 통합하는 것.
• 화학 규칙에 대해 명시적인 학습 없이도 화학 지식을 제로샷으로 복원할 수 있도록 하는 것.
• UPSTO 반응 데이터셋의 부분집합을 사용하여 기존 방법보다 전자 경로 예측 성능을 뛰어나게 하는 것.

제안 방법

• 모델는 변환 기반 방법을 사용하여 원자 매핑이 된 SMILES 문자열에서 근사적인 전자 반응 경로를 추출한다.
• 전자의 이동을 반응 내 원자 간의 화살표 밀기 이벤트의 시퀀스로 공식화한다.
• 입력으로 반응물이 주어졌을 때 전자 경로 시퀀스를 예측하기 위해 시퀀스-투-시퀀스 딥러닝 아키텍처를 사용한다.
• 모델는 반응 메커니크 애너테이션을 명시적으로 필요로 하지 않고 원시 반응 데이터에서 엔드 투 엔드로 훈련된다.
• 원자 보존 및 올바른 화학 валence 규칙과 같은 화학적 제약 조건은 데이터 표현 및 모델 아키텍처를 통해 암묵적으로 통합된다.
• 모델은 전자 이동이 일어나는 소수의 원자에 집중함으로써 희소한 반응 패턴을 활용하여 노이즈를 줄이고 일반화 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 명시적인 메커니즘 애너테이션 없이 원시 SMILES 데이터에서 전자 이동을 직접 학습할 수 있는가?
• RQ2 기존 최신 기술 수준의 방법들과 비교해 전자 경로 예측 작업에서 성능이 얼마나 우수한가?
• RQ3 화학 규칙에 대해 명시적인 학습 없이도 기본적인 화학 지식을 어느 정도 복원하는가?
• RQ4 결과 예측 대비 전자 이동을 모델링하는 것이 설명 가능성과 화학적 일관성 측면에서 더 우수한가?
• RQ5 새로운 반응 유형으로 일반화할 수 있으며, 동시에 희소성과 화학적 타당성을 유지할 수 있는가?

주요 결과

• ELECTRO는 전자 경로 예측 작업에서 UPSTO 반응 데이터셋의 부분집합에서 최신 기술 수준의 성능를 달성한다.
• 화학 규칙에 대해 명시적인 지도 없이도 화학적으로 타당한 전자 이동 시퀀스를 성공적으로 학습한다.
• 전자 경로 예측 결과는 화학자들이 사용하는 표준 화살표 밀기 관례와 일치하며 해석 가능하다.
• 모델는 자연스럽게 반응의 희소성을 통합하여 전자 재분포에 관여하는 원자들만 집중적으로 다룬다.
• 원자 수 균형과 같은 화학적 제약 조건은 모델의 아키텍처와 데이터 표현을 통해 유지된다.
• 모델는 명시적인 학습 없이도 공식 전하 처리 및 밸런스 규칙 준수와 같은 잠재된 화학 지식을 보여준다.