这是一项由Peng-Cheng Zhao、Xue-Xin Wei、Qiong Wang、Qi-Hao Wang、Jia-Ning Li、Jie Shang、Cheng Lu和Jian-Yu Shi等人完成的研究，主要作者来自西北工业大学生命学院和化学与化工学院，以及中国中医科学院临床基础医学研究所。该研究发表于 *Nature Communications*，文章于2025年1月接收，DOI为 https://doi.org/10.1038/s41467-025-56062-y。研究提出了一种名为Retro-MTGR的多任务图表示学习模型，用于单步逆合成预测（single-step retrosynthesis prediction），旨在从目标分子出发推断合适的合成反应物。
逆合成预测在药物设计中具有重要地位。当计算手段设计出一个新分子后，需要确定实验室中可行的合成路线，而逆合成分析正是从目标分子逆向推导反应物的核心方法。完整的逆合成路线像一棵树，每个节点分解为更小的反应物，而单步逆合成预测是其中最基础的环节。传统的单步逆合成计算方法可分为三类：基于模板（template-based）、无模板（template-free）和半模板（semi template-based）。基于模板的方法利用已知反应模板进行匹配或分类，优点是可解释性强，但受限于模板库的覆盖范围，难以预测新型反应模式。无模板方法借鉴机器翻译思想，直接将SMILES字符串转化为反应物字符串，虽然灵活，但生成结果可能存在化学无效性，且解释性较差。半模板方法模拟化学家的逆合成推理过程，先识别反应中心（reaction centre），再推断离去基团（leaving group, LG），具有较好的化学意义和一定的解释性。然而，已有半模板方法在利用合成子（synthon）与离去基团之间的关联方面仍存在不足。
本研究特别关注广义偶联反应（broad-sense coupling reaction），即一个产物分子由两个反应物分子生成的反应类型。在多步逆合成路线中，广义偶联反应是分子骨架构建的主要方式，作者统计其在多步合成路线中占比超过80%。研究考虑了反应中化学实体之间的三类潜在关联：合成子之间的关联、合成子与离去基团之间的关联，以及离去基团之间的关联。以反应R1C(=O)(+OH)+R2COH → R1C(=O)(+OCR2)+H2O为例，两个合成子R1C(=O)(+)和R2CO形成产物；离去基团OH和H形成副产物H2O；合成子与其对应离去基团构成反应物。作者希望通过有效利用这些关联提升逆合成预测的准确性和解释性。
Retro-MTGR框架包含三个主要模块：原子嵌入增强器（Atom Embedding Enhancer, AEE）、反应中心预测器（Reaction Center Predictor, RCP）和离去基团预测器（Leaving Group Predictor, LGP）。首先，分子以图形式输入，通过基于消息传递神经网络（MPNN）的原子编码器学习初始原子嵌入。AEE通过图对比学习（Graph Contrastive Learning, GCL）增强原子嵌入，核心思想是让同一产物的合成子组合在嵌入空间中靠近产物，同时远离随机分子。RCP对增强后的原子嵌入进行键级读出，生成键嵌入，并加入理论键能（theoretical bond energy）作为附加特征，以区分普通键和反应中心。LGP则构建离去基团共现网络（LG co-occurrence graph, LGCOG），通过MPNN学习离去基团嵌入，并将合成子映射到同一联合嵌入空间，利用距离度量判断合成子与离去基团的匹配程度。
研究使用了USPTO-50k数据集进行基准测试，该数据集包含50016个原子映射反应，涉及10种反应类型。作者剔除脱保护、保护、还原和氧化反应后，保留35682条广义偶联反应条目，按8:1:1划分训练、验证和测试集。原子初始特征为28维，包含原子类型、氢原子数、连接邻居数、芳香性、形式电荷和原子质量。经过三层多层感知机（MLP）映射为32维稠密表示。MPNN层数为2时性能最佳。LGP模块中，离去基团初始表示为独热编码，通过两层MPNN学习嵌入。合成子嵌入由32维原子嵌入和33维键嵌入拼接而成，经过三层MLP映射到离去基团嵌入空间。任务权重设为w1=0.6，w2=0.2，w3=0.2。
在与16种最先进方法的比较中，Retro-MTGR在未知反应类型（Reaction Type Unknown, RTU）场景下取得top-1、top-3、top-5准确率分别为54.3%、76.7%、90.1%；在已知反应类型（Reaction Type Known, RTK）场景下分别为72.2%、88.2%、92.8%。其中top-5 RTU性能、top-1和top-5 RTK性能均为最优，其余指标也位居前列。配对样本t检验显示，Retro-MTGR与R-SMILES表现相当，但显著优于其他15种方法（p值<0.05）。在更大规模的USPTO-480k数据集上，Retro-MTGR在RTU场景下top-1、top-3、top-5准确率分别为61.3%、80.3%、88.2%，优于R-SMILES的60.3%、78.2%、83.2%。
消融实验表明，多任务学习框架贡献最大。去掉联合训练（w/o MTL）后，RTU场景top-1准确率下降7.5个百分点，RTK场景下降10.1个百分点。LGCOG为第二重要模块，去除后RTU和RTK的top-1准确率分别下降6.0和8.7个百分点。AEE排名第三，去除后top-1准确率分别下降4.8和7.9个百分点。键能作为一维特征也提供了显著贡献，去除后top-1准确率在RTU和RTK分别下降1.9和1.7个百分点。两个数值技巧——使用稠密原子表示和归一化共现矩阵——同样对性能有积极影响。
研究发现，键能可以过滤高能普通键。在USPTO-50k和USPTO-480k中，95.26%的反应中心键能低于360 kJ/mol，而45.33%的普通键也低于该阈值，这说明单独依靠键能不足以确定反应中心。通过主成分分析可视化键嵌入空间，研究发现双键（C=C、C=O、C=N）、三键（C#C、C#N）和芳香键（C~C、C~N）能量高于或等于360 kJ/mol，始终为普通键并形成独立聚类。单键（C-C、C-O、C-N等）能量较低，可分别落入反应中心和普通键两个或多个聚类。具体而言，当C-C键的某个碳原子与氧原子以双键相连时，该C-C键更可能成为反应中心。电性分布分析显示，反应中心原子对中97.0%具有相反电性（如p+|p−、p++|p−−组合），而普通键中有80.1%电性相同或相似。这揭示了反应中心形成的化学规则：原子对电性相反是键断裂的关键特征。
在离去基团与合成子的联合嵌入空间中，研究揭示了多项规则。两个合成子在同一反应中通常具有相反电性且距离较远；合成子与其对应离去基团属于同一反应物时电性相反且距离较近；两个共现离去基团电性相反且距离较远。离去基团可分为反应通用型（reaction-common）和反应特异型（reaction-specific）。反应通用型离去基团如H、OH、Cl、Br在多种反应类型中频繁出现，结构简单，在嵌入空间中分布广泛；反应特异型离去基团通常由较大化学子结构组成，仅在少数反应类型中出现，在嵌入空间中按反应类型聚集，结构相似的离去基团距离较近。最常见的离去基团组合为H与OH、H与Cl、H与Br、H与I，占比分别为27.8%、27.4%、12.9%和8.1%。
案例研究验证了Retro-MTGR的实用性。作者选取了两种未包含在数据集中的药物——Sonidegib（一种Hedgehog信号通路抑制剂，用于治疗基底细胞癌）和Acotiamide（一种乙酰胆碱酯酶抑制剂，用于治疗功能性消化不良）。Retro-MTGR对这两种药物进行了多步逆合成路线预测，并进行了化学合成实验验证。在Sonidegib的合成中，由于中间体6的氯基和氨基可能发生分子内反应，作者将其转化为硝基化合物8后再与7反应，最终通过还原和酰胺化反应得到目标分子。Acotiamide的合成也采用了类似的策略，通过酯化保护羧酸基团，避免副反应，最终成功合成目标产物。这些案例表明Retro-MTGR预测的逆合成路线与实验验证结果一致，具有实际应用指导价值。
研究也指出了若干局限性。离去基团分布极不平衡，例如H出现27624次，而某些复杂离去基团仅出现一次，导致模型偏向高频离去基团。未来可采用生成式算法扩充低频离去基团的数据。此外，Retro-MTGR目前仅覆盖广义偶联反应，尚未处理脱保护、保护、还原和氧化等反应类型，这些反应在多步逆合成中同样重要。理论键能虽然易于获取，但难以反映真实反应条件，实际键能的测定将有助于改进模型。电性特征目前依赖专家经验进行定性评估，定量电性数据将进一步提升预测效果。
本研究的核心价值在于：第一，提出了一种将多任务学习与图表示学习相结合的逆合成预测框架，能够同时识别反应中心和推断离去基团；第二，通过图对比学习和离去基团共现网络，有效利用了分子结构信息与化学实体之间的关联；第三，模型具有较强的可解释性，能够揭示反应中心形成的电性规则以及合成子与离去基团的匹配规律；第四，在实际药物分子的逆合成路线规划和化学合成验证中展现了应用潜力。该研究为计算机辅助合成规划提供了新的技术路径，对药物化学和有机合成领域具有重要的参考意义。