arXiv:2606.30778v1 cs.LG

ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning

Stefan Gugler, Max Eissler, Khaled Kahouli, Klaus-Robert Müller

제출 2026-06-29

원문 초록

Mapping a chemical reaction network, the graph of minima and transition states (TS) and the elementary reactions connecting them, is the natural language of chemistry, from catalysis to combustion to the origin of life. Constructing such a reaction network for a given chemistry has been impractical: it requires finding and characterizing tens of thousands of TS, a task for which traditional methods such as density functional theory (DFT) are typically prohibitively slow and require reactant and product as input. We introduce ReactionAtlas, which builds a reaction network $\textit{ab origine}$ from a handful of seed molecules and without hand-crafted rules. Specifically, our machine-learned generative model proposes reactions from kinetically sampled candidate compounds and a DFT-trained machine learned force field (MLFF) filters them to valid TS, the resulting products of which enter the search as new seeds. Starting from eight pre-biotic seeds (CH$_2$O, H$_2$O, OH$^-$, H$_3$O$^+$, CO$_2$, H$_2$CO$_3$, HCO$_3^-$, H), ReactionAtlas discovers $\sim$47,000 reactions among $\sim$12,000 compounds. The MLFF TSs match the PBE0 references within 0.5 Å RMSD in 85% of the cases and can be easily brought to the PBE0 level. Thus, ReactionAtlas maps small carbohydrate chemistry up to C$_4$H$_8$O$_4$ at unprecedented scale and accuracy, including charge and stereo information. It enables novel insights into many well-studied reaction paths, including the formose cycle, which we highlight for its centrality to the chemical origins of life. Notably, our framework also allows establishing alternative reaction pathways for formose chemistry.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.30778v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.09737v2physics.chem-ph공통 태그 Drug Discovery, Graph Neural Network

Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수

Q-Score: A Quantum-Native Scoring Function for Molecular Docking

분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.

arXiv:2607.21941v1cs.LG공통 태그 Drug Discovery, Graph Neural Network

LatentFlow: 분자 그래프 신경망의 잠재 공간 분석을 위한 시각 분석

LatentFlow: Visual Analytics for Latent Space Analysis in Molecular Graph Neural Networks

화학자와 재료 과학자들은 분자의 성질과 반응 결과를 예측하기 위해 그래프 신경망(GNN)과 같은 머신러닝 모델을 점점 더 많이 사용하고 있다. 예측 성능을 넘어, 이러한 모델이 잠재 공간, 즉 분자의 임베딩(embedding) 내부에서 화학 정보를 어떻게 조직하는지 이해하는 것이 중요하다. 잠재 공간 분석은 모델 동작을 진단하고, 학습된 임베딩이 의미 있는 화학적 관계를 반영하는 방식으로 조직되어 있는지 평가하는 데 도움이 된다. 불행히도, 기존 방법들은 층과 다양한 모델 상태(예: 학습 에포크, 모델 구성, 입력 데이터)에 걸친 잠재 공간 분석을 제한적으로만 지원하여, 이러한 잠재 공간이 모델 전반에 걸쳐 어떻게 진화하는지 또는 화학적 개념과 어떻게 연관되는지 이해하기 어렵다. 우리는 분자 GNN의 잠재 공간을 분석하기 위해 도메인 전문가와 협력하여 개발한 시각 분석 시스템인 LatentFlow를 제시한다. LatentFlow는 임베딩을 클러스터로 그룹화하고, 수정된 Sankey 다이어그램을 사용하여 층과 모델 상태에 걸쳐 이러한 클러스터가 어떻게 변하는지 추적함으로써 잠재 공간의 탐험을 지원한다. 해석을 지원하기 위해 LatentFlow는 이러한 클러스터를 대표 분자와 그들의 공유 부분구조에 연결하고, 과학자들이 자신의 도메인 지식을 도입하여 잠재 공간에서 발견된 패턴과 비교할 수 있게 한다. 우리는 두 가지 사례 연구를 통해 LatentFlow를 평가한다. 결과는 LatentFlow가 과학자들이 잠재 공간이 어떻게 진화하는지 이해하고, 의미 있는 분자 패턴을 식별하며, 모델 동작을 더 잘 해석하도록 돕는다는 것을 보여준다.

arXiv:2607.21779v1physics.chem-ph공통 태그 Graph Neural Network, molecular dynamics

공변 직접 분자 힘 학습을 통한 그래프 이론적 신경망 분할: 플럭셔널 계에서 결합 클러스터 정확도 AIMD 실현

Graph-Theoretic Neural Network Fragmentation with Covariant Direct Molecular Force Learning: Enabling Coupled-Cluster Accuracy AIMD for Fluxional Systems

복잡하고 플럭셔널(fluxional)한 화학 계에 대한 정확한 ab initio 분자 동역학(AIMD) 시뮬레이션은 상관 전자 구조 방법의 높은 계산 스케일링으로 인해 심각하게 제한된다. 이 병목을 극복하기 위해, 우리는 기계학습과 통합된 견고한 그래프 이론적 분자 분할 프레임워크를 제시하며, 이를 통해 결합 클러스터(coupled cluster) 정확도로 Hartree-Fock 이후 핵력을 직접 모델링한다. 학습된 에너지 표면에 대한 자동 미분이 link-atom Jacobian에서 어려움을 겪을 수 있는 한계를 우회하여, 본 접근법은 핵력 벡터를 직접 예측한다. 이 벡터들을 단편(fragment) 고정 관성 주축에 투영함으로써, 회전·병진·치환 불변성을 자연스럽게 보존하는 공변(covariant) 기술자(descriptor)를 확립한다. 이 방법론은 학습 가능 매개변수를 한 자릿수 이상 줄이는 벡터값 학습 프로토콜을 통해 탁월한 매개변수 효율을 달성하며, 비지도 미니배치 k-means 공간 테셀레이션 알고리즘이 참조 구성(configuration)의 10%에서 20%만을 사용하여 매우 대표적인 학습 데이터베이스를 구성한다. 우리는 고도로 플럭셔널한 용매화 Zundel 양이온 H_{13}O_6^+에 대해 이 프레임워크를 엄격하게 검증했다. 완전히 기계학습으로 예측된 AIMD 궤적은 방사형 분포 함수(radial distribution function)와 속도 자기상관(velocity autocorrelation) 파워 스펙트럼을 포함한 복잡한 동역학적 특징과 핵심 구조적 특성을 성공적으로 재현했다. 궁극적으로, 이 확장 가능하고 체계적으로 개선 가능한 프레임워크는 고수준 상관 파동함수 이론과 장시간 스케일 반응성 샘플링 사이의 격차를 메우며, 현대 화학 동역학 시뮬레이션에서 LLM에서 영감을 받은 고급 전이학습(transfer learning)의 기반을 마련한다.

arXiv:2607.20550v1cs.LG공통 태그 Drug Discovery, Graph Neural Network

SBDD를 넘어서: 다약리학 및 다중 표적 약물 설계에서의 기하 심층 학습

Beyond SBDD: Geometric Deep Learning in Polypharmacology and Multi-target Drug Design

구조 기반 약물 설계(SBDD)의 전통적인 "하나의 약물, 하나의 표적" 패러다임은 보상적 신호 전달 경로와 약물 내성의 출현으로 인해 암 및 신경퇴행성 질환과 같은 다인자 질환 치료에 자주 부적합하다. 다약리학(polypharmacology)은 시너지적 치료 전략을 제공하지만, 다중 표적이 부과하는 기하학적 제약을 동시에 만족할 수 있는 리간드의 합리적 설계는 여전히 주요한 계산 병목으로 남아 있다. 본 리뷰는 이러한 한계를 극복하기 위한 강력한 통합적 접근법으로 기하 심층 학습(geometric deep learning, GDL)을 제시한다. 우리는 비유클리드 분자 데이터를 활용하여 고유한 3차원(3D) 구조적 상호의존성을 포착하는 불변 그래프 신경망부터 SE(3)-등변 확산 모델까지 다양한 GDL 아키텍처를 체계적으로 조사한다. 기하 임베딩(embedding)을 통한 공유 결합 포켓의 특성화, 이질적 그래프 융합을 통한 다중 표적 생물활성 예측, 이중 표적 리간드의 de novo 생성을 포함하여 세 가지 핵심 차원에 걸친 GDL 적용을 비판적으로 분석한다. 특히 경쟁하는 결합 부위 간의 복잡한 기하학적 충돌을 자율적으로 해결하기 위해 확산 모델과 강화학습을 통합하는 새로운 구조 조건 생성 알고리즘에 특별한 중점을 둔다. 또한 이러한 모델을 검증하는 데 있어 다중 모달 오믹스 통합과 특화된 기하 벤치마킹(benchmarking) 인프라의 핵심적 역할을 평가한다. 방법론적 발전을 종합함으로써, 본 리뷰는 우연적 탐험에서 합리적이고 구조 주도적인 다약리학적 분자 공학으로의 약물 발견 패러다임 전환을 설명하며, 차세대 치료제의 복잡성을 탐색하기 위한 명확하고 구조화된 가이드를 제공한다.

arXiv:2607.20551v1cs.LG공통 태그 Drug Discovery, Graph Neural Network

SenCos-GEM: SENet 보정 및 코사인 법칙 제약 기하 강화 분자 표현을 통한 물성 예측

SenCos-GEM: SENet-Calibrated and Law-of-Cosines-Constrained Geometry-Enhanced Molecular Representation for Property Prediction

효과적인 분자 표현 학습은 정확한 분자 물성 예측에 필수적이다. 최근 약물 발견을 위해 포괄적인 3D 구조 정보를 포착하기 위해 3D GNN을 활용한 다수의 자기지도 학습(SSL) 접근법이 개발되었다. 그러나 기존 방법들은 명시적인 물리적 제약이 부족하며, 대규모 사전학습 과정에서 거친 경험적 힘장(empirical force field)에 의해 유발되는 기하학적 노이즈에 매우 취약하다. 또한 하류 적응(downstream adaptation) 과정에서 동적 특징 변조(feature modulation)를 간과하여, 종종 치명적 망각(catastrophic forgetting)과 부정적 전이(negative transfer)를 초래한다. 이러한 한계를 해결하기 위해, 본 연구는 SENet 보정 및 코사인 법칙 제약 강화를 통합한 새로운 명시적 분리형 기하 강화 분자 표현 학습 프레임워크인 SenCos-GEM을 제안한다. SenCos-GEM은 코사인 법칙에 기반한 물리 유도 기하학적 일관성 손실(geometric consistency loss)을 사용하여 고충실도이며 수학적으로 불변인 3D 공간 사전지식(spatial priors)을 도출한다. 또한 경량 Squeeze-and-Excitation(SE) 모듈이 태스크별 어댑터(task-specific adapter)로 백본에 통합되며, 이중 변조(dual-modulation) 예측 헤드는 Feature-wise Linear Modulation(FiLM)과 SENet 메커니즘을 결합하여 동적 특징 재보정(feature recalibration)을 가능하게 한다. SenCos-GEM은 MoleculeNet 벤치마크에서 다양한 분류 및 회귀 태스크 전반에 걸쳐 매우 경쟁력 있는 성능을 보이며, FreeSolv, Lipophilicity, QM9와 같은 3D conformation에 민감한 회귀 태스크에서 특히 새로운 최신(state-of-the-art) 결과를 달성하여, 각각 상대 오류를 12.9%(RMSE), 5.3%(RMSE), 8.2%(MAE) 감소시켰다. 또한 본 모델은 입체 이성질체(stereoisomer)를 구별하고 conformational perturbation을 판별하는 뛰어난 능력을 보여, 강건한 공간 모델링 성능을 입증한다. 종합적으로 SenCos-GEM은 정확한 분자 물성 예측 분야에서 중요한 돌파구를 제시한다.

arXiv:2607.21561v1cs.LG공통 태그 Drug Discovery, Graph Neural Network

순환 펩타이드 앙상블에 대한 그래프 학습: 분자 앙상블 모델링 연구

Graph Learning on Ensembles of Cyclic Peptides: An Investigation of Molecular Ensemble Modeling

구조로부터 분자 특성을 예측할 때, 용액 속에서 많은 분자가 conformational ensemble(구조 앙상블)로 존재함에도 불구하고 종종 단일 대표 conformation(구조)을 사용한다. 본 연구는 EnsembleEGNN을 제안한다. 이는 분자 앙상블 기초 모델로, 먼저 공유된 Equivariant Graph Neural Network(EGNN) 레이어로 각 컨포머(conformer)를 인코딩한 다음, Set Attention Block으로 결과 컨포머 표현을 풀링하여 앙상블을 인코딩한다. CREMP(순환 펩타이드 앙상블 데이터셋)에서 마스크된 토큰 복원, 노이즈 좌표 재구성, 쌍별 거리 재구성을 결합한 다중 과제 자기지도 목적 함수를 사용하여 모델을 사전학습한다. CREMP-CycPeptMPDB 데이터셋에서 EnsembleEGNN을 처음부터 학습하면 완전히 실패한다($R^2=0.005$). 그러나 사전학습된 모델은 $R^2=0.477$ 및 Pearson $r=0.699$에 도달하여, 서열 전용 BERT 기준선($R^2=0.439$, Pearson $r=0.667$)을 능가한다. EnsembleEGNN이 BERT 서열 인코더와 end-to-end로 공동 학습되면, 하이브리드 모델은 $R^2=0.538$ 및 Pearson $r=0.737$로 더욱 향상된다. 이 결과는 conformational ensemble을 단일 열역학적으로 정보화된 임베딩으로 인코딩하면 순환 펩타이드 특성 예측이 향상됨을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.