本周工作集中在 single-step retrosynthesis 系统优化与酶催化预测 核心工作： 优化单步反应预测流程：分层 RAG candidate aggregation 与排序权重调整 Multi-agent 的 prompt、critic（BDE） 和 selector 逻辑重写 酶推荐实验：预测反应的最可能催化酶类别（EC number） 酶反应识别实验：判断给定反应是否为酶催化反应
当前 single-step 的核心问题已经从”有没有候选”转向”候选能不能排对” 误差主要来自similarity 层的弱证据容易混入上下文，critic 和 selector 对不合理路线的不会剔除 优化维度 具体目标 Retrieval 提高高质量 candidate 的进入率 Agent Reasoning 提高 route critique 与重排质量 Chemistry Prior 显式引入 BDE 稳定性约束
阶段 输入 输出 作用 Retriever target SMILES layered retrieval hits 检索分层证据 ContextBuilder retrieval hits evidence pack 整理 candidate 与支持强度 Solver Committee evidence pack 5 条初始 routes 从不同偏好各提一个方案 Critic routes + evidence critique report 检查证据与路线合理性 Rewriter routes + critiques rewritten routes 去重、补充、重排 Selector rewritten routes best route + rankings 给出最终排序
层级 作用 调整 exact 精度最高 提高排序权重 canonical 对齐表示差异 作为高可信补充 similarity 解决召回不足 压制噪声，防止 flooding substructure fallback 证据 保留，同时也压制噪声 聚合策略 权重：exact 1.5 > canonical 0.7 > similarity 0.35 > substructure 0.2 提高 multi-level / multi-source bonus 加入 precursor size penalty Candidate 分数计算 weighted_score = Σ(level_weight × hit_score) aggregate_score = weighted_score + multi_level_bonus + 0.04 × source_count - size_penalty
Multi-Agent 设计 Solver agent 采用 committee 结构，五个 agent 分工明确 五个 solver 并行处理同一个 evidence pack： exact / canonical / similarity / substructure / balanced Prompt 设计聚焦两点： 只能在已有 candidate 中选择 输出必须为 strict JSON BDE 嵌入方式 对每条 solver route 执行 _bde_critique() 输出 route_id → issues 映射 写入 critic 输入的 routes["bde_analysis"] 字段
将 BDE stability check 接入 critic 流程 原因：retriever 负责尽量找全候选，critic 负责根据化学合理性压降不稳定路线 BDE 检查流程 计算 target 的 weakest bond BDE 计算所有 precursor 中最低的 weakest bond BDE 低于 60 kcal/mol：标记为高反应性风险 比 target 低超过 20 kcal/mol：标记为不利能量差 将上述 issue 转为 critic penalty Critic 扣分规则 无 exact / canonical 支持：-0.18 仅一条 supporting reaction：-0.05 无 source provenance：-0.05 每条 BDE issue：-0.15
Model Top1 Top3 Top5 Top10 ChemDual-8B 50.0 67.7 70.5 78.3 RetroDFM-R-7B 59.0 - - - Transformer 42.40 58.60 63.80 67.70 BioT5+ 44.40 59.56 61.32 73.43 InstructMol 30.15 51.72 57.12 64.91 RxnNano-0.5B(AAM) 75.1 90.8 93.4 96.6 EnergyKG 52.1 56.2 58.7 62.6
任务定义 给定一个 reaction step，判断是否为酶催化反应，为二分类问题 数据与基线 正样本：ECReact 负样本：USPTO-1000-TPL 基线：基于 RetroBioCat 135 个酶反应模板的模板匹配方法，ChemEnzyRetroPlanner 结果对比 方法 Accuracy Precision Recall F1 MCC AUC 推理时间 (s/sample) ChemEnzyRetroPlanner 0.9984 0.9960 0.9895 0.9927 0.9918 0.9999 0.0014 模板匹配 0.6179 0.0613 0.1725 0.0904 -0.1046 - 0.0064 EnergyKG 0.9986 0.9958 0.9900 0.9928 0.9920 0.9998 2.8300
给定酶反应，预测最可能催化它的酶类别（推荐 EC number） 多分类问题，评估两个粒度：（1）EC-L3：前三层 EC，（2）EC-L4：完整四层 EC 方法 Top-1 Top-3 Top-5 F1 CLAIRE 52.96% 64.48% - - Selenzyme 2023 26.49% 27.14% 27.36% - ChemEnzyRetroPlanner 65.31% 73.39% 76.75% 0.6270 EnergyKG 72.50% 77.80% 80.60% 0.6770 方法 Top-1 Top-3 Top-5 F1 CLAIRE 82.57% 91.95% - - Selenzyme 2023 72.43% 74.16% 74.52% - ChemEnzyRetroPlanner 83.55% 88.81% 91.01% 0.8247 EnergyKG 89.50% 93.70% 96.10% 0.8747
XiangTan University
