ReactionAtlas：利用機器學習從頭探索化學反應網絡
ReactionAtlas是一種基於機器學習的方法，能夠從少量種子分子出發，無需手工規則即可自動構建化學反應網絡。該方法結合生成模型和機器學習力場，成功發現了約47,000個反應和12,000種化合物，精確度接近DFT級別，為化學起源研究提供了新工具。
化學反應網絡是描述化學系統中所有極小值、過渡態及基元反應之間關係的圖結構，在催化、燃燒和生命起源等領域具有核心地位。然而，傳統方法如密度泛函理論（DFT）在構建此類網絡時面臨巨大挑戰：需要尋找並表徵數萬個過渡態，計算成本極高，且通常需要預先指定反應物和產物。
近日，一項發表於arXiv的研究提出了ReactionAtlas框架，該框架利用機器學習技術，從少量“種子”分子出發，無需手工定義規則，即可從頭構建化學反應網絡。具體而言，ReactionAtlas採用一個機器學習生成模型，通過動力學採樣候選化合物來提出可能反應，隨後利用經DFT訓練過的機器學習力場（MLFF）對過渡態進行篩選，僅保留有效的過渡態。生成的產物作為新的種子繼續參與搜索，從而實現網絡的自動擴展。
研究團隊以八種前生物種子分子（CH₂O、H₂O、OH⁻、H₃O⁺、CO₂、H₂CO₃、HCO₃⁻、H）為起點，ReactionAtlas成功發現了約47,000個反應和12,000種化合物。驗證結果顯示，MLFF預測的過渡態結構與PBE0參考值高度一致：85%的案例中RMSD小於0.5Å，且可輕鬆提升至PBE0精度水平。這一成果以前所未有的規模和精度繪製了小型碳水化合物化學（最高至C₄H₈O₄）的反應網絡，幷包含了電荷和立體化學信息。
ReactionAtlas還揭示了多個已知反應路徑的新見解，特別是甲醛循環（formose cycle），該循環在化學起源研究中具有核心地位。通過該框架，研究人員能夠發現甲醛化學的替代反應途徑，為理解生命起源的化學基礎提供了全新視角。此外，該方法的自動化和泛化能力有望擴展到其他化學體系，推動從催化劑設計到藥物發現等多個領域的發展。