Protect*: Steerable Retrosynthesis through Neuro-Symbolic State Encoding

Motivation

• Known: DeepRetro와 같은 LLM 기반 역합성 시스템은 복잡한 분자 합성에서 창의적인 해결책을 제시할 수 있지만, 세밀한 화학적 제약을 적용하고 선택적으로 특정 위치를 보호하는 데 어려움을 겪는다.
• Gap: 기존 LLM 역합성 모델은 화학선택성과 지역선택성 문제를 간과하며, 단순 프롬프트로 '특정 위치를 반응시키지 마라'는 지시를 따르도록 강제하기 어렵다. 또한 할루시네이션으로 인해 전략적으로 결함이 있는 경로를 생성한다.
• Why: 복잡한 천연물 합성에서 불필요한 인간 개입을 제거하고 LLM 기반 자율 합성 계획의 신뢰성을 높이며, 모델 파인튜닝 없이 화학적 타당성을 보장하는 것이 중요하다.
• Approach: Protect*는 canonical atom mapping에 기반한 자동화된 SMARTS 패턴 매칭으로 반응 위치를 식별하고, 보호기 데이터베이스에서 최적의 보호기를 추천한 후, ProtectionState 객체를 통해 이러한 제약을 프롬프트 인젝션으로 LLM 추론에 고정시킨다.

Achievement

Figure 2: Retrosynthetic strategy for Erythromycin B generated by the Protect∗. The Hydroxyl

• 자동 보호 위치 감지: 55+ SMARTS 패턴으로 10개 범주(알코올, 페놀, 아민, 카보닐 등)의 반응성 위치를 deterministic하게 식별
• 보호기 추천 시스템: 40+ 특성화된 보호기(TMS, TBS, Bn, Boc, Ts 등)를 호환성, 직교성, 접근성 점수로 랭킹
• 이중 상호작용 모드: 자동 모드(완전 자동화)와 HITL 모드(전문가 개입)로 제어 수준 선택 가능
• 신경-기호 상태 추적: ProtectionState 객체가 canonical atom index와 보호 상태를 매핑하여 LLM 추론 전체에서 제약을 강제
• 인간 개입 감소: Erythromycin B 합성에서 vanilla DeepRetro의 4회 재실행이 0회로 감소, 신규 합성 경로 발굴

How

Figure 1: The Protect∗architecture. The system identifies potential reaction sites in the molecule

• Canonical atom-mapped SMILES에 대해 RDKit substructure matching으로 SMARTS 패턴 매칭 수행
• 각 감지된 위치에 대해 보호기 데이터베이스에서 기능기 호환성, 직교성 점수, 합성 접근성을 고려한 랭킹
• 자동 모드에서는 상위 보호기 자동 선택, HITL 모드에서는 전문가가 순위 목록에서 선택
• 선택된 보호기를 ProtectionState에 등록하여 atom map 번호와 보호 상태를 매핑
• 구조화된 보호 상태 표현(e.g., 'Atom [O:7] is protected with TBS')을 프롬프트에 주입하여 LLM 컨텍스트에 명시적 제약 인코딩", '수정된 atom-mapped SMILES와 제약 프롬프트를 DeepRetro 엔진에 전달하여 역합성 경로 생성

Originality

• SMILES의 선형 표현 한계를 극복하기 위해 LLM 컨텍스트 외부에 persistent ProtectionState 객체를 도입한 신경-기호 하이브리드 접근
• Canonical atom mapping을 통해 deterministic하고 SMILES 순열 불변인 보호 위치 식별 메커니즘
• 프롬프트 기반 '권고'가 아닌 '강제'를 통해 LLM 할루시네이션을 수학적으로 제거하는 방식의 창의성", '모델 파인튜닝 없이 기존 LLM(Claude)을 새로운 화학적 제약 체계에 적응시키는 설계

Limitation & Further Study

• SMARTS 데이터베이스 커버리지: 55+ 패턴이 모든 반응성 위치를 포착하는지 검증 필요. 드문 또는 새로운 보호 전략은 미포함 가능
• 보호기 데이터베이스 완성도: 40+ 보호기는 유기합성의 일반적인 경우를 다루지만, 특수 분야(예: 생물직교 화학)의 보호기 부족
• 평가 규모의 제한: Erythromycin B, Prostaglandin E2, Quinine 3개 천연물만 사례 연구로 제시. 통계적 유의성 검증 부족
• 정량 벤치마킹 부재: Pathway Success Rate, Top-k 정확도 같은 정량 지표가 없어 vanilla DeepRetro와의 정량 비교 불가
• LLM 모델 특화성: Claude 계열에 최적화되었으며 다른 LLM(GPT, Llama 등)에서의 일반화 가능성 미확인
• 후속 연구 방향: (1) SMARTS 패턴 확장을 위한 자동 패턴 발견 알고리즘 개발, (2) 보호-탈보호 비용을 경로 탐색에 통합, (3) 대규모 합성 벤치마크에 대한 정량 평가, (4) 입체화학 변경 방지를 위한 선택성 모니터링 강화

Evaluation

총평: Protect*는 LLM 기반 역합성의 실질적인 한계(할루시네이션, 화학선택성 무시)를 신경-기호 구조로 우아하게 해결하며, 모델 재학습 없이 기호적 제약을 강제하는 설계의 독창성이 높다. 천연물 합성에서 자율성과 신뢰성의 괄목할 성과를 보이나, 3개 사례에 한정된 평가와 일반화 가능성 검증이 필요하다.