跳转至

文章背景与核心概要

化学反应从根本上代表了电子空间内的转变。然而，传统的机器学习模型通常通过产物分子的从头生成（de novo generation）或直接对分子拓扑结构应用启发式图编辑来处理化学反应。为了解决这些局限性，作者推出了 MAELLE（MechAnistic Edit fLow-matching on eLectron rEarrangements，基于电子重排的机理编辑流匹配）。MAELLE 将化学反应建模为电子占据向量上的离散流匹配，为化学反应机理预测提供了全新的视角。

该研究的核心技术在于引入了连续时间马尔可夫链（CTMC），将反应物到产物的映射构想为在图结构、整数值的电子占据空间上的过程，该空间涵盖了所有的成键、非成键和氢位点。此外，它采用基于编辑的公式化方法，将离散流匹配混合路径推广到一个基于编辑的框架中，其中电子的移动通过最优传输（Optimal Transport）进行插值，从而在无需基本步骤注释的情况下，自然地产生类似反应机理的移动集合。该方法在标准基准测试中表现出色，并在分布外（OOD）场景中展现出强大鲁棒性，同时能够恢复符合化学原理的机理轨迹并预测副产物。

基于图结构电子占据离散流匹配的机理反应预测 (Mechanistic Reaction Prediction via Discrete Flow Matching on Graph-Structured Electron Occupation)

作者： Nguyen Xuan-Vu, Octavian Susanu, Daniel Armstrong, Philippe Schwaller
主要学科： 人工智能 (cs.AI)
arXiv ID： arXiv:2608.27429
提交时间： 2026年8月27日；最后修订： 2026年8月28日

总结 (Summary)

化学反应从根本上代表了电子空间内的转变。然而，传统的机器学习模型通常通过产物分子的从头生成（de novo generation）或直接对分子拓扑结构应用启发式图编辑来处理它们。

Chemical reactions fundamentally represent transformations within electron space. However, traditional machine learning models typically approach them via the de novo generation of product molecules or through heuristic graph edits applied directly to molecular topology.

为了解决这些局限性，作者引入了 MAELLE（MechAnistic Edit fLow-matching on eLectron rEarrangements）。MAELLE 将化学反应建模为电子占据向量上的离散流匹配： * 连续时间马尔可夫链 (CTMC)： 将反应物到产物的映射构想为在图结构、整数值的电子占据空间上的 CTMC，该空间涵盖了所有的成键、非成键和氢位点。 * 基于编辑的公式化方法 (Edit-Based Formulation)： 将离散流匹配混合路径推广到一个基于编辑的框架中，其中电子的移动通过最优传输进行插值，从而在无需基本步骤注释的情况下，自然地产生类似机理的移动集合。

To address these limitations, the authors introduce MAELLE (MechAnistic Edit fLow-matching on eLectron rEarrangements). MAELLE models chemical reactions as discrete flow matching over electron occupation vectors: * Continuous-time Markov Chain (CTMC): Formulates the reactant-to-product mapping as a CTMC over a graph-structured, integer-valued electron occupation space encompassing all bonding, non-bonding, and hydrogen sites. * Edit-Based Formulation: Generalizes the discrete flow matching mixture path to an edit-based framework where electron movements are interpolated using Optimal Transport, naturally yielding a mechanism-like set of moves without requiring elementary step annotations.

关键发现与结果 (Key Findings & Results)

  • 基准性能： 与领先的反应预测模型相比，MAELLE 在标准的 USPTO-480K 基准测试上取得了具有竞争力的性能。
  • 分布外 (OOD) 鲁棒性： 在两个关键的 OOD 设置（结构复杂性和反应类型）下进行评估时，MAELLE 在现有方法通常性能退化的区域仍能保持强劲的性能。
  • 机理洞察与副产物预测： 由于学习到的流涵盖了完整的电子再分配，MAELLE 自然能够恢复与既定化学原理高度一致的机理轨迹，并能够预测反应副产物。
  • Benchmark Performance: MAELLE achieves competitive performance on the standard USPTO-480K benchmark when compared against leading reaction prediction models.
  • Out-of-Distribution (OOD) Robustness: Evaluated across two critical OOD settings—structural complexity and reaction type—MAELLE maintains strong performance in regimes where existing methods typically degrade.
  • Mechanistic Insights & Side Product Prediction: Because the learned flow operates over the full electron redistribution, MAELLE naturally recovers mechanistic trajectories that align closely with established chemical principles and is capable of predicting reaction side products.

元数据与资源 (Metadata & Resources)