ReactionAtlas：利用机器学习从头探索化学反应网络
ReactionAtlas是一种基于机器学习的方法，能够从少量种子分子出发，无需手工规则即可自动构建化学反应网络。该方法结合生成模型和机器学习力场，成功发现了约47,000个反应和12,000种化合物，精确度接近DFT级别，为化学起源研究提供了新工具。
化学反应网络是描述化学系统中所有极小值、过渡态及基元反应之间关系的图结构，在催化、燃烧和生命起源等领域具有核心地位。然而，传统方法如密度泛函理论（DFT）在构建此类网络时面临巨大挑战：需要寻找并表征数万个过渡态，计算成本极高，且通常需要预先指定反应物和产物。
近日，一项发表于arXiv的研究提出了ReactionAtlas框架，该框架利用机器学习技术，从少量“种子”分子出发，无需手工定义规则，即可从头构建化学反应网络。具体而言，ReactionAtlas采用一个机器学习生成模型，通过动力学采样候选化合物来提出可能反应，随后利用经DFT训练过的机器学习力场（MLFF）对过渡态进行筛选，仅保留有效的过渡态。生成的产物作为新的种子继续参与搜索，从而实现网络的自动扩展。
研究团队以八种前生物种子分子（CH₂O、H₂O、OH⁻、H₃O⁺、CO₂、H₂CO₃、HCO₃⁻、H）为起点，ReactionAtlas成功发现了约47,000个反应和12,000种化合物。验证结果显示，MLFF预测的过渡态结构与PBE0参考值高度一致：85%的案例中RMSD小于0.5Å，且可轻松提升至PBE0精度水平。这一成果以前所未有的规模和精度绘制了小型碳水化合物化学（最高至C₄H₈O₄）的反应网络，并包含了电荷和立体化学信息。
ReactionAtlas还揭示了多个已知反应路径的新见解，特别是甲醛循环（formose cycle），该循环在化学起源研究中具有核心地位。通过该框架，研究人员能够发现甲醛化学的替代反应途径，为理解生命起源的化学基础提供了全新视角。此外，该方法的自动化和泛化能力有望扩展到其他化学体系，推动从催化剂设计到药物发现等多个领域的发展。