RxnCLF: Contrastive Transformation-Aware Reaction Foundation Model for Improved Reactivity Prediction

📄 arXiv: 2608.06259v1 📥 PDF

作者: Yiting Zheng, Cheng Fang, Anthony Donofrio, Haote Li

分类: cs.LG

发布日期: 2026-08-06

备注: 8 pages, 6 figures

💡 一句话要点

提出RxnCLF以解决反应产率预测难题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 反应预测 对比学习 浓缩反应图 化学转化 自监督学习 机器学习 反应信息学

📋 核心要点

  1. 现有方法在反应产率预测中面临数据稀缺和反应空间稀疏的问题，导致泛化能力不足。
  2. RxnCLF通过自监督对比学习框架，利用浓缩反应图（CRG）统一反应物和产物信息，增强了转化结构的学习。
  3. 在多个基准测试中，RxnCLF超越了传统图和序列模型，显著提高了预测精度，展现出良好的应用潜力。

📝 摘要（中文）

反应产率预测仍然面临挑战，因为标记数据稀缺且反应空间组合庞大且稀疏，限制了现有反应表示的泛化能力。基于字符串、指纹和图的反应编码仅部分捕捉化学转化，使得复杂底物的反应预测变得困难。我们提出了反应对比学习基础模型（RxnCLF），这是一个自监督对比框架，用于反应表示学习。RxnCLF基于浓缩反应图（CRG），将反应物和产物信息统一为一个图，从而使模型能够学习明确且丰富的转化结构。经过170万次Pistachio反应的预训练，RxnCLF学习了一个紧凑且连续的潜在空间，捕捉反应中心特征和更广泛的侧链上下文，使其具备转化意识和化学可解释性。在多个产率预测基准上进行微调后，RxnCLF始终优于图和序列基础的基线，提升了R2并取得了最佳性能。我们的结果突显了基于CRG的RxnCLF作为可扩展反应基础模型的潜力，能够在更广泛的反应空间中泛化，并支持多样的下游反应信息学任务。

🔬 方法详解

问题定义：论文旨在解决反应产率预测中的数据稀缺和反应空间稀疏问题。现有的反应表示方法如字符串、指纹和图编码无法充分捕捉复杂反应的化学转化特征，导致预测准确性不足。

核心思路：RxnCLF通过自监督对比学习框架，利用浓缩反应图（CRG）将反应物和产物信息整合为一个统一的图结构，从而使模型能够学习到更丰富的化学转化信息，提升预测能力。

技术框架：RxnCLF的整体架构包括预训练和微调两个阶段。预训练阶段在170万次Pistachio反应上进行，学习到一个紧凑的潜在空间；微调阶段则在多个产率预测基准上进行，以优化模型性能。

关键创新：RxnCLF的主要创新在于引入浓缩反应图（CRG），使得反应物和产物信息在同一图中得到统一表示，克服了传统方法中图结构不连通的问题。

关键设计：模型采用自监督对比学习损失函数，设计了适应化学转化的网络结构，确保了反应中心特征与侧链上下文的有效捕捉。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个产率预测基准测试中，RxnCLF显著超越了传统的图和序列模型，提升了R2值，展现出最佳的整体性能。这表明RxnCLF在反应预测领域的有效性和广泛适用性。

🎯 应用场景

该研究的潜在应用领域包括化学反应预测、药物发现和材料科学等。RxnCLF能够为化学家提供更准确的反应产率预测，支持反应条件优化和新反应路径的探索，具有重要的实际价值和未来影响。

📄 摘要（原文）

Reaction yield prediction remains challenging because labeled data are scarce and reaction space is both combinatorially large and sparsely populated, limiting the generalization of existing reaction representations. String-, fingerprint-, and graph-based reaction encodings only partially capture chemical transformations, making accurate prediction difficult for reactions with complex substrates. We propose reaction contrastive learning foundation (RxnCLF), a self-supervised contrastive framework for reaction representation learning. RxnCLF is built on a condensed reaction graph (CRG) that unifies reactant and product information into a single graph, enabling the model to learn explicit and enriched transformation structure rather than disconnected graphs. Pretrained on 1.7 million Pistachio reactions, RxnCLF learns a compact and continuous latent space that captures both reaction-center features and broader side chain contexts, making it transformation-aware and chemically interpretable. Fine-tuned on multiple yield prediction benchmarks, including Buchwald-Hartwig, Pd-catalyzed BH coupling, and proprietary HTE C-N coupling and amide formation datasets, RxnCLF consistently outperforms graph and sequence-based baselines, improving R2 and achieving the best performance overall. Our results highlight the promise of CRG-based RxnCLF as a scalable reaction foundation model, with the potential to generalize across broader reaction spaces and support diverse downstream reaction informatics tasks, including regioselectivity prediction, enantioselectivity prediction, and reaction condition optimization.