Reaction-Transformation-Aware Flow Matching for Generalizable Transition State Generation
作者: Kaipeng Zeng, Wenxi Zhai, Shengrui Xu, Jie Zhao, Bowen Li, Shiyue Wang, Junchi Yan, Tong Zhu
分类: physics.chem-ph, cs.AI
发布日期: 2026-08-14
💡 一句话要点
提出TransTS以解决过渡态生成中的结构转化问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 过渡态生成 机器学习 化学反应 结构转化 量子化学 模型泛化 反应机制
📋 核心要点
- 现有方法在过渡态生成中主要依赖几何对应关系，忽视了反应中结构转化的显式学习，导致生成质量受限。
- 本文提出TransTS框架，通过学习原子级结构转化，结合统一的几何表示，实现反应感知的过渡态生成。
- 在IID和零样本OOD基准测试中，TransTS展示了更高的过渡态初始化质量，尤其在未见反应分布上表现出色。
📝 摘要（中文）
过渡态（TS）结构定义了基本化学反应的能量障碍和机制路径，但其识别仍然计算上要求高，因为传统的鞍点搜索需要昂贵的量子力学计算。近期的机器学习方法通过从反应端点信息预测结构加速了TS生成，但主要学习端点与TS之间的几何对应关系，忽略了基本反应中潜在的结构转化。为了解决这一局限性，本文提出了TransTS，一个反应转化感知框架，能够从原子映射的反应物-产物对中生成可泛化的TS。TransTS显式学习反应端点之间的原子级结构转化，并将其与反应物、TS和产物的统一原子对齐几何表示相结合，从而实现反应感知的TS几何生成。TransTS为后续的量子化学精炼提供可靠的TS初始猜测，生成的结构不仅通过几何相似性进行评估，还通过其收敛到验证的鞍点和恢复预期反应路径的能力进行评估。
🔬 方法详解
问题定义：本文旨在解决过渡态生成中的结构转化学习不足的问题。现有方法主要关注几何对应关系，未能有效捕捉反应中的结构变化，导致生成的过渡态质量不高。
核心思路：TransTS框架通过显式学习反应端点之间的原子级结构转化，结合统一的几何表示，增强了对反应机制的理解，从而提高过渡态生成的准确性和可靠性。
技术框架：TransTS的整体架构包括三个主要模块：原子映射模块、结构转化学习模块和几何生成模块。原子映射模块负责将反应物和产物进行原子级别的映射，结构转化学习模块则学习反应端点之间的转化关系，几何生成模块则生成过渡态的几何结构。
关键创新：TransTS的主要创新在于其反应转化感知能力，通过显式学习结构转化，克服了传统方法的局限，使得生成的过渡态更具物理意义和化学合理性。
关键设计：在模型设计上，TransTS采用了特定的损失函数来平衡几何相似性和结构转化的学习，同时在网络结构上引入了注意力机制，以增强对重要原子间关系的捕捉。
🖼️ 关键图片
📊 实验亮点
在GDB-10-rxn和GDB-17-rxn OOD基准测试中，TransTS生成的过渡态候选结构更频繁地收敛到验证的鞍点，并成功恢复预期的基本反应，相较于现有方法在相同训练条件下表现出显著提升。
🎯 应用场景
该研究在化学反应模拟、药物设计和材料科学等领域具有广泛的应用潜力。通过提高过渡态生成的准确性，TransTS能够加速新化合物的发现和优化过程，从而推动相关领域的研究进展。
📄 摘要（原文）
Transition-state (TS) structures define the energetic barriers and mechanistic pathways of elementary chemical reactions, yet their identification remains computationally demanding because conventional saddle-point searches require expensive quantum-mechanical calculations. Recent machine-learning approaches have accelerated TS generation by predicting structures from reaction endpoint information, but they primarily learn geometric correspondence between endpoints and TSs, leaving the structural transformations underlying elementary reactions implicitly represented. To address this limitation, we introduce TransTS, a reaction-transformation-aware framework for generalizable TS generation from atom-mapped reactant-product pairs. TransTS explicitly learns atom-level structural transformations between reaction endpoints and integrates them with a unified atom-aligned geometric representation of reactants, TSs and products, enabling reaction-aware equivariant generation of TS geometries. TransTS is designed to provide reliable TS initial guesses for subsequent quantum-chemical refinement, where generated structures are evaluated not only by geometric similarity but also by their ability to converge to validated saddle points and recover the intended reaction pathways. Across IID and zero-shot OOD benchmarks, TransTS demonstrates improved TS initialization quality, with particularly strong generalization to unseen reaction distributions. On the challenging GDB-10-rxn and GDB-17-rxn OOD benchmarks, TransTS generates TS candidates that more frequently converge to validated saddle points and recover the intended elementary reactions after refinement than existing approaches under the same training regime. Scaling reaction coverage and model capacity further improves both geometric fidelity and refinement outcomes.