[논문 리뷰] Retrosynthesis Prediction with Conditional Graph Logic Network

Hanjun Dai, Chengtao Li외 3명|arXiv (Cornell University)|2020. 01. 06.

Machine Learning in Materials Science인용 수 45

한 줄 요약

요약: 이 논문은 Conditional Graph Logic Network (GLN)을 제시합니다. 이는 retrosynthesis 템플릿의 적용 시점을 학습하는 그래프 신경망 기반 확률 모델로, 계층적 샘플링과 해석 가능한 예측을 통해 단일 단계 역합성에서 최첨단 정확도를 달성합니다.

ABSTRACT

Retrosynthesis is one of the fundamental problems in organic chemistry. The task is to identify reactants that can be used to synthesize a specified product molecule. Recently, computer-aided retrosynthesis is finding renewed interest from both chemistry and computer science communities. Most existing approaches rely on template-based models that define subgraph matching rules, but whether or not a chemical reaction can proceed is not defined by hard decision rules. In this work, we propose a new approach to this task using the Conditional Graph Logic Network, a conditional graphical model built upon graph neural networks that learns when rules from reaction templates should be applied, implicitly considering whether the resulting reaction would be both chemically feasible and strategic. We also propose an efficient hierarchical sampling to alleviate the computation cost. While achieving a significant improvement of $8.1\%$ over current state-of-the-art methods on the benchmark dataset, our model also offers interpretations for the prediction.

연구 동기 및 목표

• 화학 반응 템플릿과 신경 추론을 결합해 단일 단계 역합성 문제를 다룬다.
• 확률 그래프 모델을 통해 화학 지식을 로직 규칙으로 인코딩하고 이를 적용할 시점을 학습한다.
• 전적으로 규칙 기반 또는 순전한 신경 접근 방식보다 확장성과 해석 가능성을 향상시킨다.
• 계층적 샘플링과 그래프 임베딩을 이용한 효율적인 학습/추론 프레임워크를 제공한다.

제안 방법

• 제품 O에 대해 템플릿 T와 반응물 집합 R에 대한 조건부 그래프 모델로 역합성을 모델링하며 p(T|O) 및 p(R|T,O)를 사용한다.
• 템플릿을 논리 규칙으로 표현하고 분해: O에서 o^T를 일치시키고 R 내부의 반응물 r_i^T를 부분그래프 동형성으로 일치시킨다.
• 그래프 뉴럴 네트워크로 에너지 항 w1, w2 및 phi 함수들을 매개변수화하여 분자와 부분그래프(v1, v2, w2)를 임베딩한다.
• p(T|O)를 p(o^T|O)와 p({r^T}|O)로 분해하여 학습·추론 속도를 높이고, 계산 가능한 파티션 함수 Z(O)와 계층적 샘플링을 도입한다.
• 논리 기반 희소성을 활용한 중요도 샘플링으로 효율적인 그래디언트 추정과 최대우도 학습을 수행한다.
• 빔 탐색 및 캐싱 전략을 사용해 예측을 가속하고 해석 가능한 반응 중심과 템플릿을 제공한다.

실험 결과

연구 질문

• RQ1 반응 템플릿과 반응물에 대한 조건부 그래프 모델이 단일 단계 역합성의 정확도를 향상시킬 수 있을까?
• RQ2 해석 가능성과 확장성을 모두 제공하기 위해 로직 규칙 기반 매칭을 신경 임베딩과 어떻게 통합할 수 있는가?
• RQ3 대규모 템플릿 세트에서 확장 가능한 학습을 가능하게 하는 효율적 추론 기법(예: 계층적 샘플링, 빔 탐색)은 무엇인가?

주요 결과

Method (Setting)	Top-1	Top-3	Top-5	Top-10	Top-20	Top-50
GLN (Unknown)	52.5	69.0	75.6	83.7	89.0	92.4
GLN (Given)	64.2	79.1	85.2	90.0	92.3	93.2
Retrosim (Unknown)	37.3	54.7	63.3	74.1	82.0	85.3
Retrosim (Given)	52.9	73.8	81.2	88.1	91.8	92.9
Neuralsym (Unknown)	44.4	65.3	72.4	78.9	82.2	83.1
Neuralsym (Given)	55.3	76.0	81.4	85.1	86.5	86.9
Transformer (Unknown)	37.9	57.3	62.7	/	/	/
Transformer (Given)	/	/	/	/	/	/

• GLN은 USPTO-50k에서 최첨단 기반선보다 유의한 개선을 달성했으며, 미지의 반응 분류 설정에서 Top-1 정확도 8.1% 만큼의 이득을 보였다.
• 반응 분류 사전 정보를 가진 GLN은 상위 Top-k 지표에서 규칙 기반 및 신경 시퀀스-투-시쿼스(seq2seq) 기반의 기준선과 동등하거나 그 이상으로 성능을 보인다.
• 이 방법은 대형 데이터셋(USPTO-full)까지 확장 가능하며 강력한 기준선에 비해 Top-k 정확도를 유지한다.
• 반응 중심과 부분그래프 패턴 임베딩을 실제 코어와 정렬해 시각화함으로써 해석 가능한 예측을 제공한다.
• 템플릿 모델링 분해, 캐싱, 계층적 샘플링을 통한 효율적 추론으로 학습 시간이 충분히 가능하며(≈12 시간 GTX 1080 Ti에서 USPTO-50k) 예측 시간도 실용적이다.
• 프레임워크는 알려진 반응 유형 c에 대한 선택적 조건화를 지원하여 제한된 템플릿 세트를 통한 타깃 역합성 계획이 가능하다.