用于化学反应配平与补全的五级级联工作流:桥接确定性图算法与大语言模型

《Chinese Journal of Chemical Engineering》:A five-level cascade workflow for chemical reaction balancing and completion: Bridging deterministic graph algorithms and large language models

【字体: 大 中 小 】 时间:2026年09月27日 来源:Chinese Journal of Chemical Engineering 3.5

编辑推荐:

   •1. 五级级联融合图算法与大语言模型,用于反应补全。 •2. 延迟决策与守恒审计抑制大语言模型幻觉。 •3. 渐进式投票与穷举匹配克服算法僵化。 •4. 该工作流以98.7%的平衡成功率对反应数据进行筛选。 引言 随着计算机技术与计算化学的深度融合,人工智能(AI)驱动的

  

•1. 五级级联融合图算法与大语言模型,用于反应补全。
•2. 延迟决策与守恒审计抑制大语言模型幻觉。
•3. 渐进式投票与穷举匹配克服算法僵化。
•4. 该工作流以98.7%的平衡成功率对反应数据进行筛选。

引言
随着计算机技术与计算化学的深度融合,人工智能(AI)驱动的科学发现正在重塑化学合成领域的范式[1]、[2]、[3]。目前,以美国专利商标局(USPTO)数据库[4]和商业Reaxys数据库[5]为代表的大规模化学反应数据库,已收录数千万条化学反应记录。这些海量数据构成了计算机辅助合成规划(CASP)[6]、[7]、[8]、[9]、反应条件优化与产率预测[10]、[11]、[12]以及新型催化剂设计[13]的数据基础。然而,尽管数据规模呈指数级增长,底层数据质量却成为制约机器学习模型预测上限的核心瓶颈[14]。由于早期文献文本挖掘技术的局限、不同期刊出版格式的多样性以及人工录入时的遗漏[15]、[16],当前数据库中普遍存在关键共反应物或副产物缺失的问题。研究表明,在用于化学空间探索的数据库中,能够实现严格质量守恒的单步反应比例极低,部分子集甚至低于12%[17]。

此类不完整且不平衡的反应数据会对下游数据驱动任务造成显著干扰[18]。以原子到原子映射(AAM)任务为例,高质量的AAM是提取反应模板和阐明反应机理的前提[19]、[20]。然而,缺失分子的不平衡反应会直接导致AAM算法生成错误的原子映射关系[21]、[22]。一旦此类底层数据噪声被应用于下游逆合成分析,将不可避免地使模型学习到虚假的化学规则,从而生成不切实际的合成路线[23]。因此,对现有反应数据集进行化学计量配平与结构补全,已成为提升相关化学模型可靠性的迫切需求。

针对不平衡反应问题,近年来研究人员提出了多种启发式与数据驱动的修复策略。早期工作主要依赖预定义的化学专家规则库,如CGRTools[24]和Jaworski等人开发的规则映射器[25]。这些方法通过监测常见元素损失,尝试补充水、盐酸等简单小分子到反应中。尽管此类方法在处理无机副产物时表现出极高的准确率,但受限于专家规则枚举的有限性,在面对涉及复杂有机结构缺失的反应时往往束手无策[26]。为突破规则局限,ChemMLM等研究创新性地将反应补全转化为自然语言处理中的"掩码语言建模(MLM)"任务[27]。该方法利用RoBERTa架构预测SMILES字符串中缺失的片段;然而,在迭代生成过程中,由于缺乏严格的化学计量约束,极易生成无效的化学结构[28]。

近期,Phan等人[29]提出的SynRBL工作流为该领域树立了新标杆。该工作流创造性地采用双重策略:对非碳化合物采用基于原子计数的启发式规则,对含碳化合物引入最大公共子结构(MCS)技术进行拓扑对齐与推断。SynRBL在多个基准测试中展现出稳健性能:其总体平衡成功率在89.83%至99.75%之间,精确拓扑匹配率(Accuracy)高达90.85%至99.05%。然而,作为基于严格图匹配的的计算工具,SynRBL也面临"算法僵化"的挑战。由于MCS本质上是NP-hard问题[30],当面对涉及多步转化、复杂重排或严重组分缺失的反应时,图对齐往往产生过多片段,导致匹配失败。对于此类困难样本,传统单解算法往往只能输出置信度极低的结果,甚至直接失败[29]。

近年来,大语言模型(LLMs)在科学发现领域的应用正经历爆发式增长[31]、[32]。包括GPT-5以及专门针对化学领域微调的开源基础模型在内的模型,已展现出强大的零样本推理能力和精确的化学直觉。这些模型已被广泛应用于分子性质预测、反应条件推荐以及基于思维链(CoT)的机理推断[33]、[34]、[35]、[36]。与僵硬的图同构对齐相比,LLMs的最大优势在于其海量的跨领域先验知识库[37]。它们能够基于反应上下文、催化剂环境乃至深层化学规则,推断出数据库中未明确记录的缺失物种[38]。

然而,在化学体系中直接应用LLMs不可避免地会陷入幻觉困境[39]、[40]。反应配平不仅仅是语义推理过程,更重要的是一个受严格数学守恒限制的强约束问题。若采用端到端生成模式直接让LLMs输出完整的化学反应方程,模型往往无法精确控制分子的底层拓扑细节,从而容易产生表面上看似平衡但实际具有无效化学结构的虚假产物。这种"重语义推理而轻结构约束"的固有特性,决定了大模型本身无法作为高可靠的反应配平工具。

为应对当前化学反应数据库中因组分缺失导致的不完整及不守恒反应方程挑战,本研究在SynRBL工作流[29]基础上,提出了一种深度融合确定性算法与大语言模型(LLMs)的多阶段级联协同配平与补全工作流(ChemBridge)。该工作流不仅继承了传统启发式规则在质量守恒推断中的严谨性,还大幅优化和扩展了常规图匹配算法的搜索机制与片段处理能力。在确定性算法层面,基于最大公共子结构(MCS)搜索算法,我们引入了一种新颖的渐进式投票机制,并进一步构建了穷举式全局图匹配策略,有效克服了传统贪心算法在复杂重排反应中易陷入局部最优的匹配缺陷。同时,我们重构了分子片段的合并逻辑,建立了涵盖原位自由基保留、三级键型决策和多片段桥接扩展的统一整合算法,从而极大地拓展了确定性图匹配算法对多组分缺失反应的适用性。此外,为弥补确定性图算法在处理某些复杂反应时的固有局限,该工作流引入了基于SMARTS的反应模板匹配层,利用模板库精准捕获并完成特定类型的化学反应。

在全局协同架构方面,本研究摒弃了传统的单解与简单路由范式,构建了由统一置信度阈值驱动的五级级联降级控制策略。具体而言,该工作流依次通过贪心图匹配、穷举图匹配、反应模板识别、LLM受控决策以及LLM生成补全与规则回退的闭环流水线处理复杂反应,从而实现复杂反应的分级处理。在此架构下,LLMs的角色从传统的端到端求解器被重新定位为受控的反应分析专家:工作流采用延迟决策机制,暂时存储前序确定性图匹配算法产生的低置信度内部候选,并结合模板识别模块输出的反应子集推断信息来辅助LLM决策。在幻觉风险最高的LLM回退生成阶段,若LLM生成的结果未通过严格的原子守恒审计,工作流将触发确定性候选回退机制,自动回溯并采用先前经内部规则验证的确定性图匹配方案。基于此约束逻辑链,该工作流不仅有效抑制了LLMs的化学幻觉,还提升了复杂反应方程的修复成功率,从而为逆合成分析等下游数据驱动任务提供了高质量数据。

段落摘要

总体架构与多阶段协同设计理念
本工作提出并建立了一套面向不完整及不守恒化学反应方程的多阶段协同配平与补全工作流,如图1所示。考虑到化学反应系统中不同组分可能共享相似的局部拓扑特征,传统贪心搜索策略在图映射过程中易产生错配并陷入局部最优;同时,大语言模型(LLMs)的直接生成模式可

实验设置与评估指标
为客观验证多阶段协同配平工作流的有效性,本研究采用了与SynRBL完全一致的测试集。该测试集包含5,032条代表性反应方程,这些方程同时表现出碳与非碳元素的失衡,选自三个广泛使用的公开数据源(为计算机辅助合成规划(CASP)定制的Golden数据集、Jaworski反应映射数据集以及一个衍生子集,包含超过

结论
针对当前化学反应数据库中普遍存在的共反应物或副产物缺失问题,本文构建了一套面向不完整化学反应方程的五级级联配平与补全工作流(ChemBridge)。该工作流在确定性图匹配算法(SynRBL)的严格原子与拓扑约束基础上,纳入了穷举赋值、模板匹配、Bridge LLM策略验证以及Fallback LLM端到端生成作为

CRediT作者贡献声明
Wanqing Zheng:可视化、形式分析、数据整理。Xuefeng Pu:验证、调查、数据整理。Qilei Liu:写作—审阅与编辑、写作—初稿、监督、方法论、调查、资金获取、数据整理、概念化。Peixin Liu:写作—审阅与编辑、写作—初稿、可视化、验证、方法论、调查、形式分析、数据整理、概念化。Chenxu Yang:可视化、验证,

利益冲突声明
作者声明不存在已知的竞争性经济利益或可能影响本文报告工作的个人关系。

数据可用性
本研究使用的测试集源自"Reaction rebalancing: a novel approach to curating reaction databases"中报道的验证数据集,可从原始SynRBL仓库获取,网址为https://github.com/TieuLongPhan/SynRBL/tree/main/Data。原始SynRBL源代码可在https://github.com/TieuLongPhan/SynRBL获取。所提出的ChemBridge工作流完整源代码已公开在https://github.com/liupeixin0223-qiye/ChemBridge。The

利益声明
? 作者声明不存在已知的竞争性经济利益或可能影响本文报告工作的个人关系。

致谢
作者感谢国家自然科学基金(22422801, 22278053)以及教育部基础学科与交叉学科突破计划(JYB2025XDXIM414)的资助。

Peixin Liu | Chenxu Yang | Yilong Zhu | Wanqing Zheng | Xuefeng Pu | Qilei Liu | Jian Du | Lei Zhang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号