RetroGFN：基於 GFlowNets 的多樣且可行的反合成
内容提要
本文介绍了多种基于生成模型的化学反应逆合成预测方法，如G2Gs和SemiRetro，旨在提高小分子发现的效率和可合成性。这些方法利用图神经网络和强化学习等技术，在药物发现中显著提高了合成成功率和样本效率。
延伸解读
逆合成预测的演进脉络
文章梳理了从2020年到2024年逆合成预测方法的演进：早期G2Gs实现无模板图转换，随后SynFlowNet引入化学验证动作空间，2022年图搜索策略将USPTO成功率提升至99.47%，2023年RetroDiff引入扩散模型，2024年RetroGFN进一步扩展。这一脉络显示该领域正从模板依赖转向生成模型与强化学习结合，并越来越注重可合成性与搜索效率的平衡。
生成模型与强化学习的融合趋势
多个方法体现了生成模型与强化学习的融合：DGFNs引入双深度Q学习增强稀疏奖励下的探索，TacoGFN使用目标条件GFlowNets生成具有所需属性的分子，并借助Transformer加速对接评分。这种融合旨在解决高维状态空间和稀疏奖励的挑战，同时保持分子多样性和合成可行性，为药物发现中的全新设计提供了新思路。
评估基准与性能提升
文章多次提及USPTO基准测试，图搜索策略将搜索成功率提高到99.47%，比先前最优提升2.6个百分点；条件图逻辑网络方法性能提升8.1%；TacoGFN在对接评分、QED、SA、Lipinski等指标上显著优于基准。这些数据表明，新方法在标准评估中不断刷新记录，但需注意不同方法使用的数据集和评估指标可能不同，直接比较需谨慎。
实际应用中的考量
这些方法旨在提高小分子发现效率和可合成性，但实际应用中需考虑计算资源、训练效率及化学可行性。例如，SemiRetro强调训练效率更高，RetroDiff帮助化学家寻找反应物和路径，而SynFlowNet通过化学验证动作空间确保可行性。然而，文章未涉及这些方法的工业部署成本或实验验证规模，读者在采纳时需结合具体场景评估。
Q&A
G2Gs方法的主要特点是什么？
G2Gs是一种无模板逆合成预测方法，能够将目标分子图转化为反应物分子图，表现接近于最先进的基于模板的方法，且不需要领域知识。
SynFlowNet模型如何提高合成可行性？
SynFlowNet模型通过使用具有化学验证的反应和反应物的动作空间，能够构建具有合成可行性的新分子，并在多样性和高效性方面表现出色。
RetroDiff方法的目的是什么？
反向合成扩散（RetroDiff）旨在帮助化学家找到合适的反应物分子和合成路径，解决生物制药中的根本性挑战。
DGFNs如何增强探索能力？
双生成流网络（DGFNs）通过引入强化学习和双深度Q学习，增强了在稀疏奖励领域和高维状态空间中的探索能力。
SemiRetro方法的优势是什么？
SemiRetro结合了TB和TF方法的优点，采用减少模板冗余的方式，提高了化合物中心的识别和半模板的分类，训练效率更高。
TacoGFN模型的创新之处在哪里？
TacoGFN模型通过强化学习生成具有所需属性的分子，实验证明其生成的分子在各个特性上显著优于所有基准方法。
