大家好，我今天汇报的内容是自由基反应的逆合成预测，核心是论文提出的一个自由基专用单步逆合成模型 RadicalRetro，以及它配套构建的自由基反应数据库 RadicalDB。
我会按这个逻辑来讲：

1. 为什么要把“自由基反应”单独拿出来做逆合成；

2. RadicalDB 怎么建、数据长什么样；

3. 模型选型与训练策略：为什么最终是 Chemformer 微调成 RadicalRetro；

4. 整体性能（Top-K）和不同反应类型上的差异；

5. 可解释性：注意力热图为什么能和机理对应；

6. 多步路线对比：通用模型 vs 自由基专用模型，差异体现在哪里。

这一页我想先把问题说清楚：传统逆合成和自由基逆合成本质上是两套“化学世界观”。

第一点：传统逆合成的主流范式。
逆合成最经典的框架来自 Corey 的思想：从目标分子出发，做“断键”，把复杂分子拆成更简单的前体。传统上我们更习惯于用两电子过程去理解反应——也就是极性反应、离子反应，比如 Suzuki、Heck、Aldol 这类。它们的机理往往比较“规整”：反应中心明确、官能团迁移路径清晰，所以人类化学家更容易做规则总结，也更容易做模板化。

第二点：为什么自由基（单电子过程）这十年特别重要。
近十年自由基反应发展非常快，背后原因主要是光催化、电催化、氧化还原体系变成熟了，让“产生和控制自由基”这件事更容易、更可控。结果就是：自由基反应越来越多地被用在药物分子构建里，特别适合做一些传统两电子过程不太好做的键构建、环化、官能团耐受更强的转化。

第三点：用一句人话解释自由基是什么。
自由基可以理解成“少了搭子”的孤单电子——它没成对，所以特别活泼，喜欢去找别的地方配对。落到化学反应里，就是带未成对电子的原子或片段，非常容易参与反应，经常会出现“跳跃式”“连锁式”“级联式”的反应过程。

第四点：自由基反应的优势（也是它在药物构建里香的原因）。

• 顺序成键 / 级联环化（cascade cyclization）：一次反应能连着做多步成键；

• 区域/立体选择性潜力高：很多体系在适当条件下能走出很漂亮的选择性；

• 官能团耐受性好：对复杂底物更友好。

第五点：但问题也非常现实——自由基让“人脑设计路线”变难。
自由基中间体往往不稳定，机理分叉多，链引发/链转移/终止路径复杂。也就是说：

自由基反应很强，但“可预测性”和“可设计性”对人类更难。
所以这就引出了研究动机：能不能用深度学习把自由基反应的经验学出来，辅助我们做逆合成规划？这也是 RadicalDB 和 RadicalRetro 要解决的核心问题。

这一页讲的是：为什么作者要先花大力气做数据集，以及这个数据集有什么特点。

1）数据从哪里来、规模多大？
作者不是从现成数据库里“直接抓取”，而是做了相对重的工作：

• 手工筛选 2010–2023 年 3245 篇文献来构建 RadicalDB；

• 最终整理得到大约 21.6k 条自由基反应；

• 并且强调这些反应是实验验证的，同时做了质量筛选：比如收率 ≥ 50%、产物表征清晰等。
  这一步的意义在于：自由基反应如果数据噪声很大，模型会学到很多“伪规律”，所以作者优先保证数据可靠。

2）反应怎么表示？（为什么用 SMILES）
这里采用的是反应 SMILES：

• 反应物之间用 “.” 分隔；

• 反应物与产物之间用 “>” 分隔；

• 每条记录保留文献来源，保证可追溯。
  这样做的好处是：模型最终就是一个“字符串到字符串”的生成任务，输入产物 SMILES，输出反应物 SMILES，训练和推理都比较统一。

3）反应类型组成：多组分 vs 双组分
作者统计发现：

• 多组分自由基反应占 47.3%，双组分反应占其余部分；

• 多组分反应比例高，而且更倾向生成更大的分子。
  这点非常关键：因为多组分意味着组合空间更大，对模型的“生成能力”要求更高，也更贴近药物分子的真实构建场景。

4）产物分子量分布与多样性
产物分子量分布接近正态，范围大约在 80–965。这说明数据覆盖从小分子到相对复杂分子，且没有过度集中在某一类“特别简单”的反应上。
同时作者用 T-map 做反应空间可视化，展示数据在空间里分布较广，支持“模型不是只记住少数模板”。

5）覆盖的自由基反应类别
数据集中包含多个经典命名反应：Barton–McCombie、Birch、Giese、Keck、Minisci 等；另外也分析了光/电催化自由基在数据集中的分布。
你可以强调一句：这个数据集是“传统命名反应 + 现代光电体系”的组合，因此适合训练一个更贴近近十年研究趋势的模型。

1）列名解释（为什么每列存在）

• id：反应唯一编号，方便索引；

• mapped（Atom-mapped SMILES）：带原子映射的 SMILES。它告诉我们反应前后原子怎么对应，对理解机理和反应中心非常有用。作者这里也说明：这个项目主要用下面的 rxn 列做训练，但 mapped 作为机制分析的“黄金信息”被保留；

• confidence：数据置信度，可以理解成自动提取/整理环节对该反应正确性的评分；

• rxn（reaction）：最关键的一列，标准反应式 SMILES，“反应物 >> 产物”，是模型训练的输入输出直接来源；

• reference：文献来源，保证可追溯；

• cls（reaction class）：反应类型标签。作者在数据划分时会用它做分层抽样，确保训练集和测试集每种反应类型分布更均匀。

2）为什么要过滤“多产物反应”？
底部的代码逻辑很清晰：如果产物里用 “.” 分开后不止一个产物，直接丢弃。
作者解释也很典型：在单步逆合成任务里，通常把问题简化为“单产物逆推反应物”，多产物会引入额外复杂性（比如副产物、保护基、盐、配体等），会让模型目标不清晰。
你可以补一句总结：这是为了把任务定义得更干净，把模型能力集中在“从目标产物反推关键前体”。

这一页是模型方法论的关键：作者不是“拍脑袋”选一个模型，而是用三个代表性路线做对比适配。

作者拿了三个已有的 SOTA 单步逆合成模型做对比：LocalRetro、Mol-Transformer、Chemformer。最后把“在自由基数据集 RadicalDB 上专门训练后的 Chemformer 版本”命名为 RadicalRetro。

1）LocalRetro：GNN + 模板（template-based）

LocalRetro 把分子当图：原子是点，键是边。
它的核心思路是：先从产物预测反应中心、局部变化，然后去匹配/评分模板，最后生成反应物。
在这篇工作里，作者从 RadicalDB 里提取了很多局部模板（文中提到 2877 个），再让 LocalRetro 在 RadicalDB 上做逆合成。
你可以评价一句：模板法的优势是“可解释、结构约束强”，但短板是对数据覆盖依赖大——自由基反应如果多样性强，模板很容易“不够用”。

2）Mol-Transformer：Transformer 做 SMILES 翻译（template-free）

它把逆合成当成“语言翻译”：输入产物 SMILES，输出反应物 SMILES，不依赖模板。
作者采用 USPTO + RadicalDB 的混合训练（9:1），通过多任务/迁移让模型既学通用反应，也学自由基。
这里可以点出一个隐含信息：如果模型预训练/迁移不够强，可能在自由基域里会出现语法错误（后面会看到 invalid SMILES）。

3）Chemformer：更强的预训练 Transformer（BART 结构）

Chemformer 也是 Transformer，但它的关键优势是：
它不是从零学反应，而是先做大规模“语言预训练”，再学反应翻译。
预训练包括：

• ZINC-15 分子预训练：mask SMILES 学“化学语法/分子模式”；

• USPTO 反应预训练：学通用反应规律；

• RadicalDB 微调：专门学习自由基断键方式（级联、单电子过程）。
  因此最终 RadicalRetro 的强点其实是：通用化学知识 + 自由基领域适配结合得更好。

1）选用模型：Chemformer（基于 BART 的 Transformer 文本生成模型）
BART 的核心思想你可以用一句话解释：

把输入故意破坏，然后训练模型把它还原。
破坏方式包括加噪声、遮蔽、打乱顺序等，所以它也叫 去噪自编码器（denoising autoencoder）。
这样做的收益是：模型会学到更鲁棒的表示，适合迁移到各种生成任务——包括反应预测、逆合成、分子编辑等。

2）三阶段训练策略（非常建议你讲得“像流程图”）

• 阶段1：分子预训练（ZINC-15）
  规模大概 ~100M 分子，做 Masked Language Modeling（span-masking），让模型学“原子/键的组合模式”。
  你可以类比：先学会“拼写与语法”。

• 阶段2：反应预训练（USPTO）
  大约 ~1M 反应，让模型学通用有机反应的断键/成键规律。
  类比：学会“通用翻译规则”。

• 阶段3：自由基微调（RadicalDB）
  在自由基反应上微调，使模型适配自由基特有断键方式与单电子过程偏好。
  类比：学会“自由基方言”。

3）最终输出任务：单步逆合成（Backward prediction）
输入：产物 SMILES
输出：能够合成该产物的一组反应物 SMILES（自由基反应起始物/前体）

1）Top-K 的意思（用一句话讲清）
Top-1 就是模型给的第一条答案对不对；Top-3 就是前 3 条里只要有一条对就算对；Top-10 同理。
对于逆合成来说，Top-K 很合理，因为真实化学路线往往不止一种，模型给多个候选更符合“化学家筛选”的工作方式。

2）在 RadicalDB 上的 5-fold 交叉验证平均表现
RadicalRetro（Chemformer 微调）表现是：

• Top-1：69.31%

• Top-3：76.11%

• Top-5：78.24%

• Top-10：80.07%
  解释 5-fold：数据分 5 份，轮流拿 1 份测试、4 份训练，做 5 次取平均，能减少偶然性，更可信。

3）与两个基线的差距

• LocalRetro：Top-1 46.35%，Top-10 61.42%

• Mol-Transformer：Top-1 43.91%，Top-10 63.54%
  也就是说：RadicalRetro 在自由基数据集上明显领先，说明“自由基领域的专门学习”确实带来了增益。

4）为什么说这是“领域能力”的提升，而不是模型在任何数据集都更强？
作者特别强调：在通用数据集 USPTO-50K 上，Chemformer、LocalRetro、Mol-Transformer 的 Top-1 都在 51–54% 左右，差异不大。
所以 RadicalRetro 的提升主要来自：它在 RadicalDB 的领域内学到了自由基反应的“规律”。

5）invalid SMILES 的信息（这点很像模型质量指标）
从饼图能看到：
Mol-Transformer 的 invalid SMILES 比例更高（比如 4.30%），而 RadicalRetro 的 invalid 很低（比如 0.92%）。
这说明 Chemformer 这种强预训练模型不仅“猜得准”，还更“写得对”，生成结果更符合化学语法，减少了不可用答案。

1）按自由基引发方式拆分：光/电催化 vs 其他

• 光/电催化自由基反应：Top-1 ≈ 71.22%

• 其他自由基反应：Top-1 ≈ 60.96%
  作者给的解释是：光/电催化近年来增长快、研究集中，反应模式相对“规整”，所以模型更容易学。
  这说明模型对“标准化程度高、模式一致性强”的子领域更友好。

2）按命名反应拆分：哪些最好，哪些最难？

• Faterno–Biichs、Meerwein arylation：Top-1 分别高到 ~92.31%、84.12%

• Birch、Giese、Minisci：接近或略高于整体平均

• Barton–McCombie 去氧反应：Top-1 ≈ 41.13%（最低）
  原因：产物里大量 C–H，信息缺失严重——很难从产物唯一确定“哪个 H 原本来自 -OH”。
  这句话非常关键：它告诉我们模型的瓶颈不一定是网络结构，而是反应本身的信息不可逆。

3）结论
RadicalRetro 对一些自由基反应学得非常好，但对“信息缺失严重”的反应仍然困难。
这也提示未来方向：要么引入更多信息（条件、试剂、原子映射），要么用多步推理/不确定性建模来处理这种歧义。

1）先讲案例图 a：经典自由基链式环化/加成
这里 1 是目标产物；2+3 是 RadicalRetro 预测的反应物组合。
其中 3 是 Bu₃SnH（三丁基氢化锡），经典自由基体系里常见的供氢剂/链转移试剂。
图里标注 1e⁻ 强调这是单电子过程。红色虚线标的是作者认为的新键形成/关键成键区域。
如果按下面的机理示意（蓝色箭头）理解，大概过程就是：
链引发产生自由基 → 对不饱和键加成 → 发生分子内环化/迁移 → 最后从 Bu₃SnH 抢氢终止 → 得到产物。
你可以点题：模型不仅给出了“能对上答案的反应物”，而且给的试剂组合很像化学家会选的自由基条件。

2）再讲案例图 b：更复杂的自由基成键/环化
6-4 是目标产物（更复杂多环）；6-5 是模型预测的前体。
蓝色箭头提示可能是从 6-5 形成自由基（图里有 N· 的标记），然后发生分子内成键得到 6-4。
这一块你不用讲得太“机理细节”，但要强调：模型预测与“自由基环化”的人类直觉一致。

3）attention heatmap（c、d）怎么读？
这句话建议你按“横轴—纵轴—颜色”三句话讲完：

• 横轴：输入端——产物的 SMILES token 序列

• 纵轴：输出端——反应物的 SMILES token 序列

• 颜色越深：表示模型在生成某个输出 token 时，更关注输入里的哪些 token

红框圈出的区域，是作者认为“最有意义的注意力块”，通常会出现在：

• 产物中发生变化的官能团/成键区域（比如环化位置、π键附近、取代基连接点）

• 以及反应物中与之对应的结构片段（模型在做一种“对齐/映射”）

所以 1’–6’ 的含义可以总结为：

当模型决定输出关键反应物片段时，它的注意力确实集中在产物真正的反应中心附近。
这就给了一个“可解释性信号”：模型不是纯粹乱猜字符串，而是在学“哪里变、怎么拆”。

1）先定义 GeneralRetro 是什么
GeneralRetro 是 baseline：

• 用 ZINC-15 做分子预训练；

• 用 USPTO 做反应预训练；

• 但不在 RadicalDB 上微调。
  所以它本质是“通用化学模型”，不一定理解自由基特性。

2）图里怎么对比？

• 蓝色框（6 和 11）是目标产物；

• 左半边是 GeneralRetro 的逆合成建议；右半边是 RadicalRetro 的建议；

• 2e⁻ 表示两电子/极性反应路径（比如有机锂、Wittig 等偏传统的极性化学）

• 1e⁻ 表示单电子/自由基思路

• 分子旁边的小黑点 “•” 表示自由基

• 红色虚线表示作者认为关键断键/成键位置

• 反应条件/步数也放在旁边，比如 Butyllithium −78°C 2 steps vs photocatalysis 室温 1 step

3）核心结论（这句要讲得有力）
RadicalRetro（自由基专用）更倾向给出：

• “单电子自由基型”的断键方式与前体选择；

• 更符合现代自由基方法学（光/电、过渡金属 + 还原剂等）；

• 条件更温和、步骤更少。

而 GeneralRetro 更容易给出：

• 传统两电子极性路线（更“教科书式”）；

• 可能更苛刻/更多步。

所以这页想传达的是：

自由基专用模型不仅准确率更高，还能在路线风格上更贴近自由基化学的真实工作流，这对药物分子合成规划是有实际意义的。

最后我总结三点：

1. 数据层面：RadicalDB 从 2010–2023 的文献中高质量整理了 21.6k 自由基反应，并做了规范化表示与分层标签；

2. 模型层面：RadicalRetro = Chemformer（BART 预训练框架）在 RadicalDB 上微调，显著提升自由基逆合成 Top-K 表现，并降低 invalid SMILES；

3. 理解层面：注意力热图与机理关键位点存在对应关系，多步案例也显示自由基专用模型更倾向给出更现代、更温和、更短步的自由基路线。

如果要做后续工作，我觉得可以往三个方向走：

• 加入反应条件/催化剂/溶剂等信息，让模型更“可执行”；

• 利用 atom-mapped 信息增强反应中心约束，缓解 Barton–McCombie 这类“信息缺失”问题；

• 从单步扩展到多步规划，把自由基路线与通用路线结合成一个更强的合成规划系统。