研究报告 · 总览与评测协议¶
本章集中定义训练语料、评测集、评测协议、指标与术语。后续各功能章 （正向 / 逆向 / 多步规划 / 合理性 / SynScore）在此基础上只写各自的模型、 伪代码与结果，不再重复定义口径。
1. 训练语料与反应模板¶
所有单步模型均训练于一份大规模原子映射反应语料（atom-mapped commercial reaction corpus）。原始反应不随软件分发，对外发布的只是训练好的权重。
反应模板以 radius 0 抽取（RDChiral），保留在语料中出现至少 20 次的模板， 得到 64,366 个模板类，作为单步模型的分类标签空间。这套模板库同时服务于逆合成、 正向预测与合理性负样本生成，三者共享。
模板频次呈极端长尾：
| 统计量 | 每模板反应数 |
|---|---|
| 最小 / 中位 / 均值 / 最大 | 20 / 37 / 245.6 / 473,296 |
| 覆盖 50% 反应所需模板数 | 185（0.3%） |
| 覆盖 90% 反应所需模板数 | 17,415（27.1%） |
其中 42,028 个（65.3%） 模板是"简化型"（逆写下产物为单分子、反应物为两个及以上 分子），这一子集是逆向章简化约束模型的动作空间。
数据划分口径
不同模型采用的 train/val/test 切分不同（例如正向模型按反应 id %20 切分，逆合成
原始模型采用另一套按模板最小样本数的分层切分）。各模型的切分数字写在各自章节并标注
来源，本总览不统一给一个数字，以免口径漂移。
2. 评测集¶
| 评测集 | 用途 | 口径 |
|---|---|---|
| ZINC 可购砌块集 | 库存（in-stock）判定 + 结构类基线打分样本 | 判购按 InChIKey；基线打分随机抽 20,000 分子 |
| 1000 ChEMBL 靶集 | 多步规划、SynScore、合理性过滤的统一评测靶 | ChEMBL 35，small molecule，重原子 5–60；固定随机种子抽样、去盐取最大有机组分、按 InChIKey 去重，共抽 1,017、17 个超限、留 1,000 |
1000 ChEMBL 靶集与训练语料相互独立（分布外评测）。其物化描述符分布（中位 [5th, 95th]）：
| 描述符 | 中位 [5th, 95th] |
|---|---|
| 重原子数 | 27 [16, 43] |
| 分子量 (Da) | 388 [240, 616] |
| 环数 / 芳环数 | 3 [1, 6] / 2 [0, 4] |
| 可旋转键 | 5 [1, 12] |
| 氢键给体 / 受体 | 1 [0, 4] / 5 [2, 9] |
| TPSA (Ų) | 76 [28, 156] |
| sp³ 碳占比 | 0.31 [0.05, 0.73] |
3. 多步搜索预算（统一操作点）¶
多步规划与 SynScore 评测在预算对齐下进行：
- 扩展宽度 k = 10（每个分子节点取单步模型 top-10 候选反应物集）
- 深度 ≤ 5、节点扩展 ≤ 100、单分子搜索时限 8 s、硬上限 60 s
4. 指标定义¶
| 指标 | 定义 |
|---|---|
| template top-k | 单步模型预测的模板 top-k 中含真实模板的比例 |
| product top-1（正向） | 正向 top-1 产物 canonical SMILES 命中真实产物的比例 |
| solved rate | 在深度 ≤5 内找到一条全部叶子可购（U=0）的路径的靶点比例 |
| U | 最优路径中不可购起始物的数量（越小越好） |
| SynScore | \( \mathrm{SynScore} = 1/(U+1)^{U} \)，见 SynScore 章 |
| bb_coverage | 最优路径中可购叶子的比例（连续覆盖度，\([0,1]\)） |
| mean/median expansions | 每靶点平均 / 中位节点扩展数（搜索代价，越小越好） |
| score fidelity r | 某设置下 SynScore 与参考设置（原始模型 @ k=50）的 Pearson 相关 |
| val AUC（合理性） | 反应合理性二分类在验证集上的 ROC AUC |
5. 术语与书写约定¶
- 术语首次出现给中文并括注英文；类名、CLI 子命令、超参名（如
TemplateGNN、predict、hidden_dim）一律保留英文原样。 - 逆合成模板写作
product >> reactants（RDChiral 风格），正向应用时反转为reactants >> product。 - 分子身份：全流程 InChIKey。
| 缩写 | 含义 |
|---|---|
| D-MPNN | 有向键消息传递网络（directed message-passing neural network） |
| AND-OR 图 | 分子节点为 OR、反应节点为 AND 的搜索图 |
| Retro* | Chen et al. (ICML 2020) 的检索式 AND-OR 搜索算法 |
| CGR | 反应缩合图（Condensed Graph of Reaction） |
| bb | building block，可购砌块 |
6. 各章速览¶
| 章节 | 内核 | 关键结果（详见各章） |
|---|---|---|
| 单步正向预测 | D-MPNN 模板分类镜像 + RDKit 正向应用 | 验证集模板 top-1 0.759、产物 top-1 0.636 |
| 单步逆向预测 | D-MPNN 模板分类器（+简化约束变体） | 原始模型 test top-1 0.403 / top-10 0.742；简化模型 held-out top-1 0.575 |
| 多步路径规划 | Retro*（默认）/ MCTS / best-first | 1000 ChEMBL solved 85.1%（简化）/ 81.8%（原始），约 AiZynthFinder 的 1.8× |
| 反应合理性评分 | 双塔 D-MPNN（无映射） | val AUC 0.9946；单步过滤净负收益 → 默认关闭 |
| 可合成性评分 | 基于最优路径不可购起始物数 | SynScore \(=1/(U+1)^U\)，连续、可排序 |