全新反应描述语言可编码分子编辑操作

本报讯（见习记者江庆龄）中国科学院上海药物研究所研究员郑明月团队设计了一种新的化学反应描述语言ReactSeq。该语言可以编码化学反应中的分子编辑操作，使自然语言处理模型（NLP）在逆合成预测、反应表征检索、交互问答等方面表现更为出色。近日，相关研究发表于《自然-机器智能》。

近年来，在化学与药物研发领域，处理化学分子与反应的化学语言模型（CLMs）逐渐兴起。由于化学分子缺乏固有的顺序表示，CLM利用化学家定义的分子线性编码学习和生成分子结构，目前最常用的分子线性编码是简化分子输入线输入系统（SMILES）。

为了提升CLMs在特定任务中的表现，学界设计了一些新的分子线性编码语言，用于描述化学分子的静态结构。然而，这些语言无法明确描述化学反应过程中分子中原子和键的变化过程，严重限制了语言模型在化学反应预测和表示中的应用。

为应对上述挑战，研究团队设计出ReactSeq。该语言定义了从产物结构出发，将其转化为反应物分子所需的一系列分子编辑操作（MEO），包括化学键的断裂和变化、原子电荷的改变以及离去基团的附着。在基于ReactSeq的逆合成模型中，反应物通过这些MEO从产物分子转化而来，确保了预测反应物和产物之间的精确原子映射，增强了模型的可解释性。

利用ReactSeq，研究人员在不改变基本变换器架构的情况下便能在逆合成预测中实现最先进的性能。同时，ReactSeq具有表示MEO的显式令牌，可以对人类指令进行编码和上下文提示。测试结果表明，人类专家的提示可以显著提高模型的性能，甚至指导语言模型探索新的反应。这些MEO令牌也有利于提取反应表示，还可以产生更加精准且具有内在化学意义的反应表示。

基于该策略并结合自监督学习，研究团队构建了一种通用且可靠的反应表示方法，能够自然区分反应类型并评估其相似性，从而提升相似反应检索、实验流程推荐以及反应收率预测等一系列下游任务上的表现。

研究团队表示，这项研究为垂直领域的大语言模型赋予了更多新能力，显著提升了NLP解决复杂化学问题的能力，为化学领域的人工智能基础模型开发提供了新思路。

相关论文信息：

10.1038/s42256-025-01032-8