التنبؤ بالتفاعل العكسي العميق باستخدام النشاط المحلي والانتباه الشامل

بصفتها مشكلة أساسية في الكيمياء، يهدف التحليل العكسي (retrosynthesis) إلى تصميم مسارات تفاعلية ومركبات وسيطة لمركبة مستهدفة. ويتمثل الهدف من التحليل العكسي المدعوم بالذكاء الاصطناعي (AI) في أتمتة هذه العملية من خلال التعلم من التفاعلات الكيميائية السابقة لإجراء تنبؤات جديدة. وعلى الرغم من أن عدة نماذج أظهرت إمكاناتها في التحليل العكسي الآلي، إلا أن هناك حاجة كبيرة لتحسين دقة التنبؤ إلى مستوى أكثر ملاءمةً للتطبيق العملي. هنا نقترح إطارًا محليًا للتحليل العكسي يُسمى LocalRetro، مستمدًا من الحدس الكيميائي القائل إن التغيرات الجزيئية تحدث في الغالب بشكل محلي أثناء التفاعلات الكيميائية. ويختلف هذا النهج عن معظم الطرق الحالية للتحليل العكسي التي تستند إلى الهياكل العالمية للجزيئات لاقتراح المتفاعلات، والتي غالبًا ما تتضمن تفاصيل دقيقة غير مباشرة الصلة بالتفاعل. ويؤدي هذا المفهوم المحلي إلى نماذج تفاعل محلية تشمل تعديلات على الذرات والروابط. وبما أن المجموعات الوظيفية البعيدة يمكن أن تؤثر أيضًا على مسار التفاعل كعوامل ثانوية، يتم بعد ذلك تحسين النموذج المُشفّر محليًا ليعكس التأثيرات غير المحلية للتفاعل الكيميائي من خلال آلية انتباه عالمية. تُظهر النموذج أداءً واعدًا بدقة عكسية (round-trip accuracy) تبلغ 89.5% و99.2% في التنبؤات الأولى والخامسة على مجموعة بيانات USPTO-50K التي تحتوي على 50,016 تفاعلًا. كما نُظهر صحة نموذج LocalRetro على مجموعة بيانات كبيرة تضم 479,035 تفاعلًا (UTPTO-MIT)، حيث بلغت دقة التنبؤ العكسي الأولى والخامسة 87.0% و97.4% على التوالي. كما تم توضيح التطبيق العملي للنموذج من خلال التنبؤ الصحيح بمسارات تصنيع خمسة جزيئات مرشحة لعلاجات دوائية من مصادر مختلفة في الأدبيات العلمية.