Höherstufige Molekülgrammatiken für generative und grundlegende Modelle der Chemie

Technischer Hintergrund und Problemstellung

Moleküle sind Graphen aus Atomen und Bindungen. Ringe, verschmolzene Gerüste und wiederkehrende Motive sind jedoch Beziehungen zwischen mehreren Atomen. SMILES-artige Zeichenfolgen passen gut zu Sequenzmodellen, kodieren Ringschlüsse aber indirekt. Übliche Graphmodelle sehen zunächst paarweise Bindungen; explizite höherstufige Strukturen können die Verarbeitung und das Decodieren verteuern. HGR sucht daher eine Darstellung, die Motivhierarchien sichtbar macht, umkehrbar bleibt und mit Standard-Sequenzmodellen gelernt werden kann.

Auch die Zusammensetzung der Benchmarks ist entscheidend. Datensätze mit überwiegend einfachen Ringen können Schwächen bei Spiro-, Brücken- und mittelgroßen Ringen verdecken. Die Autoren erstellen RingDiv mit etwa 1,18 Millionen Molekülen, wählen RingDiv300k unter Berücksichtigung der Ringtopologie aus und definieren den Ringdiversitätsindex RDI. Die Auswahl umfasst Moleküle mit einem bis zehn Ringen und 100 bis 900 Da; Makrozyklen werden ausgeschlossen. Die berichteten Ergebnisse belegen folglich keine Leistung für Makrozyklen oder den gesamten chemischen Raum.

Architektur und technische Prinzipien

HGR hebt den Molekülgraphen zunächst in einen kombinatorischen Komplex. Einzelne Atome bilden Blätter. Häufig vorkommende, benachbarte Teilgraphen werden zu größeren Zellen zusammengeführt; deren Rang entspricht der Höhe im Kontraktionsbaum. MIG und RSG sind zwei Varianten dieses Schritts. Der Komplex beschreibt die Hierarchie, während der begleitende Molekülgraph die tatsächlichen Bindungen liefert. Die Zellen sind entweder ineinander verschachtelt oder disjunkt, sodass eine Traversierung mit Kindern vor Eltern möglich ist. Beim Parsen entsteht für jede Zelle eine Produktionsregel. Die rechte Regelseite enthält einen lokalen Graphen und geordnete Kindpositionen. Eine geordnete Ankerschnittstelle beschreibt die Bindungen zur Umgebung. Strukturell passende Regeln mit gleicher Schnittstelle werden im Korpus wiederverwendet; ein Molekül wird zur Folge von Regelkennungen. Die Bindungsinformation verschwindet dabei nicht, sondern liegt im Regelkörper und in der Schnittstelle. Unterschiedliche zulässige Reihenfolgen von Geschwisterzellen können verschiedene Folgen erzeugen, aus denen der entsprechende Komplex dennoch exakt rekonstruiert wird.

Die Rückableitung beginnt beim Startsymbol und verwaltet offene Nichtterminale auf einem Stapel. Eine Zulässigkeitsmaske erlaubt nur Regeln mit passender Ankerschnittstelle. Akzeptiert wird eine Folge erst, wenn alle Regeln verbraucht und der Stapel leer sind. Der formale Rekonstruktionssatz betrifft einen zuvor geparsten Komplex samt zugehörigem Molekülgraphen, nicht jede beliebige Zeichenfolge. Die behauptete Gültigkeit durch Konstruktion setzt voraus, dass Regeln aus Molekülen mit konsistenter Valenz stammen, Schnittstellen übereinstimmen und die Ableitung abgeschlossen wird. Daraus folgen weder Stabilität noch Synthesemöglichkeit, geringe Toxizität oder biologische Wirksamkeit. HGR-VAE nutzt die Regelfolgen zur Generierung, HGR-LDF zur latenten Stichprobenziehung und HGR-FM für übertragbare Molekülmerkmale. Die neuronale Hauptarchitektur muss keinen expliziten höherstufigen Graphen bei jedem Schritt verarbeiten. Motivsuche, Regelvokabular, Masken und Decodierung verursachen aber weiterhin Aufwand. In neuen chemischen Bereichen kann die Abdeckung durch bekannte Regeln unzureichend sein.

Praktische Bewertung

Die Generierung wird auf QM9, ZINC250k, MOSES, GuacaMol und RingDiv300k geprüft. Die Autoren berichten auf allen fünf Datensätzen den besten Fréchet ChemNet Distance, FCD, sowie 100 % Gültigkeit im Rahmen ihrer grammatikbeschränkten Generierung. FCD vergleicht Verteilungen im Merkmalsraum; der Wert misst weder die Wirkung einzelner Moleküle noch allein die Vielfalt. Zusätzlich sind Einzigartigkeit, Neuheit, Eigenschaften, Gerüste und Topologiemerkmale relevant. Viele Metriken außer Gültigkeit werden nur über gültige Ausgaben berechnet. Deshalb gehören Ausfallquote und bedingte Verteilungswerte immer zusammen.

Der Transfer wird auf den sieben MoleculeNet-Aufgaben BBBP, Tox21, ToxCast, SIDER, ClinTox, HIV und BACE anhand von 80/10/10-Gerüstaufteilungen bewertet. Beim Probing bleibt der Encoder eingefroren und nur ein Vorhersagekopf wird trainiert; beim vollständigen Fine-Tuning werden beide angepasst. Über drei Zufallsstarts berichten die Autoren gegenüber ihrer stärksten Vergleichsmethode einen mittleren AUC-Vorsprung von 8,3 beziehungsweise 3,3 Prozentpunkten. Diese Mittelwerte gelten für die angegebenen Aufgaben und Protokolle; sie belegen weder denselben Gewinn in jeder Aufgabe noch bessere experimentelle Trefferquoten.

Branchenwirkung und Ausblick

Der technische Nutzen liegt in einer überprüfbaren Arbeitsteilung: Ein Lernmodell wählt Regeln, die Grammatik prüft die strukturelle Zusammensetzung. RingDiv macht seltene Ringformen als eigene Bewertungsdimension sichtbar.

Für eine belastbare Anwendung wären Vergleiche mit gleichen Datenaufteilungen und Rechenbudgets, Fehlerzahlen nach Ringklasse sowie Messungen der gesamten Laufzeit und des Speicherbedarfs nötig. Herkunftsbias der Regeln, Stereochemie, dreidimensionale Konformationen, Syntheserouten und gemessene Aktivität bleiben offen. Hier werden die Ergebnisse der Autoren analysiert; eine unabhängige Reproduktion liegt nicht vor.