From Feasible to Practical: Pareto-Optimal Synthesis Planning

Motivation

• Known: 기존 CASP(computer-aided synthesis planning) 방법들은 single-step model과 multi-step 탐색 알고리즘(MCTS, A* 계열 등)을 결합해 target molecule로부터 commercial building block에 도달하는 하나의 feasible한 synthesis route를 찾는 데 초점을 맞춰왔다.
• Gap: 실제 화학자들은 비용, 지속가능성, 독성, 수율 등 상충하는 여러 목표를 동시에 고려해야 하는데, 기존 방법은 단일 경로 탐색 후 post-hoc 분석으로 목표를 최적화하여 유망한 경로를 놓칠 가능성이 크고, 기존 multi-objective 시도(MO-MCTS)도 Pareto-optimality나 systematic front coverage에 대한 이론적 보장이 없다.
• Why: 탐색 알고리즘 자체에 다중 목표를 내재화하여 Pareto-optimal한 경로 집합을 직접 생성함으로써, 산업 현장에서 실제로 필요한 다차원 의사결정(경제성, 지속가능성, 확장성 등)을 CASP 결과물과 정합시킬 수 있다는 점에서 중요하다.
• Approach: single-objective Retro 알고리즘을 multi-objective A search 관점으로 확장하고, weighted scalarization과 BO(Bayesian optimization)-informed weight sampling을 통해 고차원 objective space를 효율적으로 탐색하며, AND-OR 그래프에 특화된 dominance pruning으로 admissibility 하에서 Pareto-optimality를 이론적으로 보장한다.

Achievement

Figure 4. Visual comparison of two Pareto fronts returned by

1. MORetro* 알고리즘 제안: 임의 개수의 사용자 정의 objective에 대해 weighted scalarization과 sampling을 이용해 Pareto front를 생성하는 알고리즘을 제시하고, single-step model 종류와 무관하게 Pareto front 품질과 다양성 측면에서 single-objective baseline을 능가함을 보였다.
2. 최적성 보장: 고정된 single-step model에 대해 admissibility 조건 하에서 MORetro가 true Pareto front를 복원함을 이론적으로 증명하고, AND-OR 그래프에 대한 NAMOA-style dominance pruning을 일반화했다.
3. 산업적으로 유의미한 objective 정의: reaction condition prediction module을 탐색에 직접 통합하여 독성, 지속가능성, 확장(scale-up) 가능성 등 실질적인 산업 목표를 정의하고 최적화할 수 있게 하였다.

How

Figure 2. Overview of MORetro∗. During each iteration, multiple frontier nodes are picked according to different weight

• 문제를 AND-OR 그래프 상의 multi-objective 탐색 문제로 정식화하고, molecule과 reaction node에 대해 벡터 형태의 cost를 정의
• weighted scalarization으로 다차원 objective space를 스칼라 값으로 down-sampling하고, 다양한 weight-sampling 전략(BO-informed sampling 포함)을 도입해 유망한 trade-off 영역을 우선 탐색
• 다차원 objective space에 대한 lower bound를 유도해 반환된 front가 Pareto-optimal임을 보장하고, 이를 이용해 확장 시 Pareto-optimal route에 포함될 수 없는 dominated intermediate molecule을 조기에 pruning
• reaction condition prediction module(온도, 시약 등 예측)을 탐색 과정에 통합하여 sustainability, toxicity, scalability와 같은 새로운 objective를 정의 및 계산
• 다수의 retrosynthesis benchmark(예: ChEMBL 기반 G2E 등)에서 MO-MCTS 변형 등 baseline과 비교 실험 수행

Originality

• retrosynthesis를 단일 경로 탐색이 아닌 Pareto front 생성 문제로 재정식화한 최초의 이론적 보장을 갖춘 접근
• AND-OR 그래프의 joint dependency(reaction node가 모든 reactant child의 동시 해결을 요구) 구조에 특화된 NAMOA*-style dominance pruning을 새롭게 일반화
• BO-informed weight sampling을 통해 고차원 scalarization weight space에서 유망한 trade-off 영역을 효율적으로 탐색하는 전략 도입
• reaction condition prediction을 탐색 알고리즘에 직접 결합하여 toxicity, sustainability, scale-up 등 산업 친화적 objective를 정의

Limitation & Further Study

• 이론적 최적성 보장은 fixed single-step model과 admissibility 가정 하에서만 성립하며, 실제 ML 기반 single-step model이 이러한 가정을 만족하는지는 별도 검증이 필요
• MO-MCTS와의 비교에서 hyperparameter 최적화가 이루어지지 않아 baseline과의 공정한 비교라 보기 어려운 한계가 있음
• weighted scalarization 기반 접근은 non-convex Pareto front의 일부 영역(예: concave region)을 포착하지 못할 가능성이 있어 향후 비선형 scalarization이나 다른 sampling 전략과의 결합 연구가 필요
• 실제 산업 적용을 위해서는 정의된 objective(독성, 지속가능성 등)의 예측 정확도에 대한 추가 검증과 wet-lab 검증 연구가 후속되어야 함

Evaluation

총평: retrosynthesis 탐색을 multi-objective 관점으로 재정립하고 이론적 최적성 보장까지 제시한 점에서 학술적, 실용적 가치가 높은 연구이며, 산업 현장의 실제 의사결정 요구에 CASP 결과를 한 걸음 더 가깝게 만든 의미 있는 기여로 평가된다.