反応説明言語による化学と人工知能を橋渡しする

人工知能の速い開発により、さまざまな科学的課題に取り組むために、大規模な言語モデルがますます使用されています。

With the rapid development of artificial intelligence (AI), large language models (LLMs) are increasingly being used to address various scientific challenges. A crucial step in this process is converting domain-specific data into a format suitable for LLMs, typically a sequence of tokens. In chemistry, molecules are commonly represented by molecular linear notations, and chemical reactions are depicted as pairs of reactants and products. However, this approach does not capture the atomic and bond changes that occur during reactions, which are essential for chemical understanding and manipulation. To bridge this gap and facilitate seamless integration between chemistry and LLMs, we introduce ReactSeq, a reaction description language that decomposes chemical reactions into a series of molecular editing operations.

人工知能（AI）の急速な発展により、さまざまな科学的課題に対処するために、大規模な言語モデル（LLM）がますます使用されています。このプロセスの重要なステップは、ドメイン固有のデータをLLMに適した形式、通常は一連のトークンに変換することです。化学では、分子は一般に分子線形表記で表され、化学反応は反応物と生成物のペアとして描かれています。ただし、このアプローチでは、反応中に発生する原子および結合の変化をキャプチャしません。これは、化学的理解と操作に不可欠です。このギャップを埋め、化学とLLMSの間のシームレスな統合を促進するために、Reactseqを導入します。これは、化学反応を一連の分子編集操作に分解する反応記述言語です。

Each ReactSeq token corresponds to a specific atomic or bond modification, enabling a step-by-step unfolding of the chemical transformation. We trained a language model for retrosynthesis prediction using ReactSeq and observed that it consistently outperformed existing methods in all benchmark tests. Furthermore, the model demonstrated promising emergent abilities, such as performing multistep synthesis planning in response to user requests and providing explanations for its predictions. To delve deeper into the capabilities of LLMs in navigating chemical space, we trained a model to predict reaction yield based on ReactSeq representations and achieved high performance in this task.

各Reactseqトークンは、特定の原子または結合の変更に対応し、化学変換の段階的な展開を可能にします。 ReactSeqを使用してレトロシンセシス予測の言語モデルをトレーニングし、すべてのベンチマークテストで既存の方法を常に上回ることを観察しました。さらに、このモデルは、ユーザーの要求に応じて多段階合成計画を実行したり、その予測の説明を提供したりするなど、有望な緊急能力を実証しました。化学空間をナビゲートする際にLLMの機能を深く掘り下げるために、ReactSeq表現に基づいて反応収率を予測するためにモデルをトレーニングし、このタスクで高性能を達成しました。

Our analysis indicates that the model learned to evaluate the feasibility of reactions based on chemical principles, highlighting the potential of LLMs to go beyond empirical patterns and develop a chemical understanding of the data. Finally, we used ReactSeq to generate universal and reliable representations of chemical reactions, facilitating efficient retrieval of relevant experimental procedures from literature databases. This capability paves the way for seamless integration between theoretical predictions and experimental observations, ultimately advancing chemical discovery and invention.

私たちの分析は、モデルが化学原理に基づいて反応の実現可能性を評価することを学んだことを示しており、LLMが経験的パターンを超えてデータの化学的理解を開発する可能性を強調しています。最後に、ReactSeqを使用して、化学反応の普遍的かつ信頼できる表現を生成し、文献データベースから関連する実験手順の効率的な検索を促進しました。この機能は、理論的予測と実験的観察の間のシームレスな統合の道を開き、最終的に化学的発見と発明を進めます。