单步正向反应预测¶
做什么：给一组反应物（一个或多个分子，多分子用 . 连成一个 SMILES），预测它们最可能生成的
产物并按可信度排序。它是逆合成单步模型的镜像——复用同一套 64,366 个反应模板，把命中的逆合成
模板反转后用 RDKit 正向施加到反应物上。模型原理与评测见
研究报告 · 单步正向反应预测；安装见安装与总览。
输入 / 输出：输入 = 反应物 SMILES（如 CC(=O)O.NCc1ccccc1 表示乙酸 + 苄胺）；输出 = 一个排序
列表，每个候选带产物 SMILES、分数（正向预测概率，越大越可信）、命中的模板号。
命令行¶
真实示例输出（乙酸 + 苄胺，酰胺偶联占绝对主导）：
1. CC(=O)NCc1ccccc1 score=0.8434 template=0
2. CC(=O)OCc1ccccc1 score=0.0176 template=3418
3. CCNCc1ccccc1 score=0.0158 template=3376
4. NCC1CCCCC1 score=0.0027 template=918
5. CCO score=0.0025 template=26
top1 CC(=O)NCc1ccccc1（N-苄基乙酰胺）就是羧酸 + 胺缩合的酰胺，分数 0.84 远高于其余候选。
Python¶
from synomega.forward import ForwardTemplateGNN
fwd = ForwardTemplateGNN.default() # 首次调用自动下载正向模型（约 149 MiB）
for pred in fwd.predict("CC(=O)O.NCc1ccccc1", top_k=5):
print(pred.score, pred.product, pred.template_id)
print(pred.meta["n_templates"]) # 有多少个模板能产出该产物（支持度）
predict 返回 ForwardPrediction 列表，字段：product（canonical SMILES）、score（0–1 正向
概率）、template_id、meta["n_templates"]。批量预测用 fwd.predict_batch([...])（GPU 上更快）。
参数¶
| 参数（CLI / Python） | 默认 | 含义 |
|---|---|---|
--top-k / top_k |
10 | 返回多少个排序产物 |
--topk-templates / topk_templates |
10 | 每次取模型 softmax 的前几个模板去正向施加；调大可能挖出更多罕见产物，但更慢 |
--model / from_pretrained(run_dir) |
自动下载 | 用自己的正向模型 run 目录 |
--device / device |
自动 | cpu 或 cuda:0 |
读输出 / 注意¶
- 分数是模板的 softmax 概率：一个产物继承"能产出它的所有模板里的最大概率"；概率相同再按"有多少
个模板支持它"（
meta["n_templates"]）排序。 - 产物已做 sanitize、剔除自由基/卡宾伪影、取最大有机片段、canonical 化。
- 精度上限受模板法限制（验证集产物 top-1 ≈ 0.64）——把结果当候选看，不是保证。