用于研究化学反应的计算极为复杂，以往需要对数量庞大的候选路径进行反复试算。日本北海道大学综合创新创发机构化学反应创成研究基地（ICReDD）的P. Nath特任助教、该校研究生院理学研究院的小野Yuri子博士研究员、ICReDD的原渕祐特任教授、山本靖典特任教授、前田理教授、武次彻也教授、吉冈真治教授等组成的研究团队，通过将化学家的经验与判断基准加以体系化，开发出能够高效控制作为计算化学反应路径探索手法的人工力诱导反应（AFIR）法的知识系统“ChemOntology”。借助该系统，计算得以集中在反应的主要候选路径上进行，从而大幅减少计算所需的时间与精力。今后，该成果有望加速新药、电池材料及催化剂开发等诸多领域化学反应的发现与优化。相关研究成果已发表在《ACS Catalysis》的在线版上。
图1：将化学知识转化为机器可读的规则，智能引导反应探索（供图：北海道大学）
为了弄清楚化学反应是如何推进的，仅靠实验往往很困难，因此通过计算机预测反应路径的计算化学得到了广泛应用。研究团队的前田教授开发的AFIR法能够通过计算导出所有可能发生的化学反应，但由于它会把既有反应以及化学家凭直觉就能判断为不可能存在的结构——换言之，在实验化学家看来“没有意义”的候选，也一并进行探索，所以会导致计算过程耗费大量时间。
此次，研究团队将化学家所具备的经验与判断基准加以整理形成的知识系统“ChemOntology”，与AFIR法进行了结合。
在ChemOntology中，研究团队将化学家用来理解反应的基元反应知识（如氧化性加成）整理为用于控制AFIR法反应探索的知识，同时开发了多个知识引擎，用于执行实验化学家在解析反应进程时所进行的“结构单元识别”、“化学单元识别”、“反应中心识别”、“官能团识别”等过程。随着这些引擎协同发挥作用，系统便能够像化学家在实验中分析反应时那样，对分子结构进行分类，并在判断关键部分的同时，指引包含适当基元反应组合的反应路径探索。其结果是，AFIR能从“有意义的反应候选”中开始优先展开探索。
为了将人类知识转化为计算机可处理的形式，研究人员将化学反应相关的专业知识拆解为“概念”、“分类”、“判断基准”、“例外”等要素，并将其整理为层级化的规则体系。例如，化学家理所当然做出的“这个键容易断开”、“这个结构不可能存在”之类的直觉判断，被定义为清晰的条件式或分类词典，并以可重复利用的知识形式实现。借助这一机制，计算机也能够像化学家那样“一边筛选候选一边开展探索”。而这一结构实质上是让机器“代替化学家在头脑中进行思考”，其最大特点是不把人类知识作为搜索引擎的信息调用，而是直接嵌入探索算法的内部。
一般来说，利用AI技术的数据驱动型研究方法需要通过大规模数据集进行学习，但在知识驱动的ChemOntology中，由于可以将化学家用于分析化学反应的知识直接应用于AFIR法，因此不再需要这种学习。同时，其判断并非基于机器的模式识别，而是以化学知识为依据，使反应路径探索的判断基础更加清晰，在降低计算成本的同时，也能够探索到更加完整的反应路径。过去以考虑能量条件的“试错式探索”为主，而随着ChemOntology的引入，计算得以“利用化学家的知识，以更为合理的方式推进”。
此次开发的系统，有望加速发现新药候选、探索新一代电池材料以及催化反应的设计等多种化学用途。尤其是在实验、计算科学与信息科学相结合的研究不断推进的情况下，人类的知识与AI协同发挥作用，可为新型化学反应的发现与优化作出贡献。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：ACS Catalysis
论文：ChemOntology: A Reusable Explicit Chemical Ontology-Based Method to Expedite Reaction Path Searches
URL：https://pubs.acs.org/doi/10.1021/acscatal.5c06298
