Factorized Search and Cartography of Synthon-Based Chemical Spaces

Motivation

• Known: 기존 fragment-space 검색 기법들(feature trees, topological fragment spaces, MCS 기반 방법, weighted fingerprints, shape-aware synthon search 등)과 RDKit의 실험적 synthon-space search, V-SYNTHES 같은 구조 기반 워크플로우가 존재하며, chemical space 시각화 분야에서는 SOM, Scaffold Hunter, TMAP, CoLiNN 등 다양한 도구가 확립되어 있다.
• Gap: 수십억~수조 개 product를 갖는 factorized reaction space는 전체 열거가 불가능하여, 검색과 지도화를 동시에 지원하면서도 투명하고 감사 가능한(auditable) 단일 표현이 부재했다.
• Why: synthesis-aware 분자 생성기(PrexSyn, SynFormer, SynFlowNet, SyntheMol 등)가 실제로 make-on-demand 공간에 접지(grounding)되려면, enumeration 없이도 검색·감사·시각화가 가능한 결정론적 인프라 계층이 필요하기 때문이다.
• Approach: product fingerprint를 구성 synthon fingerprint들의 bitwise OR로 근사하는 단일 surrogate 표현을 정의하고, 이를 Tanimoto 기반 top-K 검색(SynthonOR)과 importance-weighted 샘플링·비선형 임베딩 기반 지도화(SynthonMap)에 공통으로 적용한다.

Achievement

Figure 1. Returned-hit ECFP4 similarities on Freedom Space 4.0.

1. Surrogate 이론적 보증: OR surrogate와 정확한 product fingerprint 간 대칭차 크기에 대한 Tanimoto 점수 perturbation 상한을 증명(Proposition 1)하여 근사의 안전성을 정량화했다.
2. 검색 정확도 검증: 29,200-product RDKit 슬라이스에서 raw-connector ECFP4 OR 유사도가 정확한 조립 product 쌍별 유사도 순위를 Spearman ρ=0.928로 보존하며, count Morgan fingerprint(sum composition)는 ρ=0.982까지 향상됨을 보였다.
3. 대규모 슬라이스 벤치마크: 6,273 synthon, 42 reaction, 990,829-product 결정론적 슬라이스에서 42-query all-reaction ECFP4 검사로 평균 63.4%의 exact top-100 overlap을 회복했고, 더 빠른 global-synthon 정책은 0.80초/쿼리로 59.2%를 회복했다.
4. 벤더 스케일 실증: Freedom Space 4.0에서 SynthonOR이 100개 벤치마크 쿼리 전체에 대해 완전한 top-100 리스트를 반환하고 FTrees, SpaceLight와 직접적인 ECFP4 hit-similarity 비교를 제공했다.
5. 지도화 기능: SynthonMap이 백만 개 product 샘플에 대해 importance-weighted density를 갖는 시각화를 생성함을 시연했다.

How

• 문제 정의: reaction route 집합 R과 각 route의 slot set들로 구성된 non-enumerated product universe Ω를 정의하고, 후보 tuple의 OR surrogate $\hat{f}(c) = \bigvee_p f(s_p)$를 도입.
• 이론적 분석: 고정 query bitset에 대해 exact fingerprint와 OR surrogate 간 Tanimoto 점수 차이가 대칭차 크기 δ에 비례한 상한을 갖음을 증명(Appendix A.2).
• SynthonOR 알고리즘: 전체 synthon에 대한 prescreen score 계산 → route별 pre-score Ar(Q) 산출 → 상위 C개 route만 유지 → 각 route 내 슬롯별 top-B synthon bank로 Cartesian product 구성(tuple budget E로 제한) → 실제 OR fingerprint로 재점수화 후 top-K 정렬. Fast/Accurate/Very accurate 프리셋(Table 2)으로 speed-accuracy trade-off 제공.
• SynthonMap 알고리즘: route 선택 확률 pr을 product-uniform, reaction-balanced, sqrt-balanced 방식으로 조정하고, 비균일 샘플링 시 importance weight w(c) ∝ Cr/pr 부여. 샘플된 OR fingerprint를 UMAP/DensMAP/t-SNE/PCA로 2차원 임베딩 후 가중 히스토그램으로 밀도 시각화.
• 실험 설계: (1) 29,200-product RDKit 슬라이스에서 fingerprint family별(ECFP4/6, topological torsion, RDKit, atom pair, PatternFP, Morgan counts 등) surrogate fidelity(Spearman ρ, MAE, exact-bit coverage 등) 비교, (2) 990,829-product 슬라이스에서 42-query 및 10-query 검색 overlap 벤치마크, (3) Freedom Space 4.0 실제 벤더 스케일에서 FTrees/SpaceLight와 비교.

Originality

• 기존 fragment/synthon-space 검색 및 시각화 연구들이 각각 별도의 표현이나 도구를 사용한 것과 달리, 단일 OR-surrogate 표현으로 검색(SynthonOR)과 지도화(SynthonMap)를 통합한 최초의 프레임워크로 제시됨.
• product fingerprint를 synthon fingerprint의 bitwise OR로 근사하는 아이디어 자체는 직관적이지만, 이를 이론적 perturbation bound와 함께 정식화하고 다양한 fingerprint family에 걸쳐 체계적으로 검증한 점이 독창적.
• route-aware importance weighting을 통한 비선형 임베딩 밀도 시각화(SynthonMap)는 신경망 surrogate(CoLiNN 등) 없이도 학습-불필요(training-free) 방식으로 유사한 기능을 제공하는 대안적 접근.
• Freedom Space 4.0과 같은 실제 벤더 스케일 공간에서 FTrees, SpaceLight 등 상용 도구와 직접 비교 가능한 벤치마크를 제공한 점도 실용적 독창성.

Limitation & Further Study

• OR surrogate는 본질적으로 손실이 있는(lossy) 근사이며, exact top-100 overlap이 완벽하지 않고(평균 59-67% 수준) reaction junction에서 발생하는 중요한 bit 생성/소실을 완전히 포착하지 못할 가능성이 있음.
• 검증이 상대적으로 작은 enumerable 슬라이스(29,200, 990,829 products)에 크게 의존하며, Freedom Space 4.0 같은 실제 초대형 공간에서는 exact ground truth 비교가 제한적임(완전한 recall 검증 불가).
• fingerprint family에 따라 fidelity 편차가 크고(ρ 0.78~0.98), 최적 조합(count Morgan sum 등)이 항상 기본값으로 채택되지 않을 경우 실제 사용 시 성능 저하 위험.
• 후속 연구로는 다양한 reaction template과 더 복잡한 다단계 합성 경로에 대한 일반화, surrogate 오차가 큰 영역에서의 보정(calibration) 기법, 그리고 실제 생성 모델과의 closed-loop 통합 평가가 필요.

Evaluation

총평: 단순하지만 실용적인 OR-surrogate 아이디어를 이론적 근거와 다단계 실증(소규모 슬라이스부터 벤더 스케일까지)으로 탄탄하게 뒷받침한 연구로, synthesis-aware 분자 생성 워크플로우를 위한 실질적인 grounding·감사 인프라로서 가치가 크다.