[论文] Mechanistic Reaction Prediction via Discrete Flow Matching on Graph-St...

让化学反应回到电子空间：MAELLE 用离散流匹配重新定义反应预测

一个被忽视的常识

打开任何一本有机化学教材，化学反应的表示方式几乎都是这样的：左边是反应物分子结构，右边是产物分子结构，中间一个箭头。机器学习模型学反应预测时，也大多遵循这个范式——把反应看成"分子 A 变成分子 B"的映射。

但化学家心里清楚：反应的本质不是分子在变，是电子在动。

一个碳氧单键变成碳氧双键，从分子拓扑看是"多了一条边"，但从电子空间看，是一对孤对电子从氧原子移动到了碳氧键上。所有的成键、断键、电荷转移、自由基重组，归根结底都是电子占据状态的重排。

MAELLE（Mechanistic Edit Flow-matching on Electron Rearrangements）做了一件回归本质的事：把化学反应预测从分子拓扑空间搬回电子占据空间。

现有方法的两个盲区

机器学习做反应预测的主流方法分两类，各有盲区。

#### 第一类：从头生成（de novo generation）

把反应预测当成"给定反应物，生成产物分子"的序列生成任务。模型输出一个 SMILES 字符串或分子图。

盲区：生成过程是黑盒。模型说"产物是这个分子"，但不告诉你"为什么是这个分子"——中间经历了哪些电子转移步骤、哪些键断裂了哪些键形成了，全都不透明。化学家拿到的只是一个最终答案，没有机制解释。

#### 第二类：启发式图编辑

直接在分子图上做编辑——断开某些边、添加某些边、改变某些原子标签。模型学习的是"在哪里编辑"。

盲区：图编辑是离散的、跳跃的。从反应物到产物之间没有中间状态，模型无法回答"这个反应的速率限制步骤是什么""有没有可能走另一条路径"这类机制问题。而且编辑规则是人定义的，不一定符合电子运动的物理规律。

两类方法的共同问题是：它们都在分子拓扑层面工作，而不是在电子层面工作。这就像用"城市之间的航线图"来预测航班延误——虽然航线图是航班的最终表现形式，但延误的真正原因（天气、空管、机械故障）发生在更底层的物理空间。

MAELLE 的核心思路：电子占据空间上的流匹配

MAELLE 的数学框架可以拆成三层。

#### 第一层：电子占据向量

给定一个反应体系（反应物 + 产物），把所有原子位点列出来：成键位点（共享电子对）、非成键位点（孤对电子）、氢位点。每个位点上的电子占据数是一个非负整数。

整个反应体系的状态就是一个 整数向量——每个分量是一个位点上的电子数。反应物是一个向量，产物是另一个向量，反应过程就是向量之间的转移。

这个表示方式的关键优势是：它直接对应化学家对反应的理解。化学家画箭头推电子，推的就是这些占据数的变化。MAELLE 把化学家的"推电子箭头"数学化了。

#### 第二层：连续时间马尔可夫链（CTMC）

从反应物向量到产物向量的转移，不是一步完成的，而是一个随机过程。MAELLE 用连续时间马尔可夫链（CTMC）来建模这个转移。

CTMC 的每个状态是电子占据空间中的一个点，状态之间的转移率对应"一步电子移动"——一个电子从一个位点跳到相邻位点。整个反应路径就是 CTMC 上的一条轨迹，每一步都是一个最小化的电子移动。

这比"直接从反应物跳到产物"丰富得多——CTMC 自然地给出了反应的中间步骤序列，每一步都有化学意义。

#### 第三层：离散流匹配 + 最优输运

现在有了起点（反应物向量）、终点（产物向量）和转移机制（CTMC），还差一个东西：中间路径怎么走。

这就是流匹配（Flow Matching）登场的地方。流匹配的核心思想是：在起点和终点之间构造一条连续的"流"，使得沿着流走能从起点到达终点。

MAELLE 把传统的连续流匹配推广到离散空间——因为电子占据数是整数，不能"半个电子"移动。具体做法是用最优输运（Optimal Transport, OT）来规划离散电子重排的路径：OT 给出从反应物占据向量到产物占据向量的最优匹配方案，每一步移动一个电子，总移动距离最短。

这个设计的美妙之处在于：中间路径不需要人工标注。不需要化学家手动标注"这个反应的第 3 步是碳氧键断裂"——OT 自动从起点和终点推断出最合理的中间步骤序列。

三个关键能力

#### 1. 分布内准确率：USPTO-480K 基准

USPTO-480K 是反应预测的标准基准，包含约 48 万条从美国专利中提取的反应数据。MAELLE 在这个基准上取得了与领先模型相当的性能。

"相当"听起来不够惊艳？但考虑到 MAELLE 同时提供了机制解释和副产物预测能力，这个"相当"就很有分量了——它不是用准确率换可解释性，而是在保持准确率的同时额外提供了可解释性。

#### 2. 分布外鲁棒性：两个测试

MAELLE 设计了两种分布外（OOD）测试：

• 结构复杂度 OOD：训练集主要是简单分子，测试集加入复杂分子。现有方法性能显著下降，MAELLE 保持强劲。
• 反应类型 OOD：训练集覆盖部分反应类型，测试集包含未见过的反应类型。MAELLE 同样保持优势。

这就像一个棋手，如果他只记住了特定棋局的开局套路（分子拓扑层面），遇到没见过的开局就会懵。但如果他理解了每个棋子的移动规则和战略原则（电子空间层面），就能应对任何新局面。

#### 3. 机制轨迹恢复 + 副产物预测

这是 MAELLE 最独特的能力。因为学到的流在完整的电子重分布上操作，MAELLE 能输出反应的中间步骤序列——每一步哪个电子从哪移到哪。这些步骤序列和已知的化学机制一致。

更厉害的是，MAELLE 能预测反应的副产物。传统方法只预测主产物，因为它们只学"反应物→产物"的映射。MAELLE 学的是整个电子占据空间的流，流可以分叉——主流走向主产物，支流走向副产物。这就像河流的分流——主河道是主产物，支流是副产物，它们共享同一个水源（反应物），但在某个节点分道扬镳。

和 FlowER 的对比：连续 vs 离散

MAELLE 不是第一个在电子空间做流匹配的方法。2025 年的 FlowER（Flow matching for Electron Redistribution）已经开了先河。两者的关键区别在于 连续 vs 离散。

FlowER 用连续流匹配——把电子占据数当作连续实数来处理。这在数学上更简洁，但物理上有问题：电子数是整数，不存在"半个电子"。连续近似在某些场景下可能丢失重要的量子化信息。

MAELLE 用离散流匹配——严格保持电子占据数的整数性。每一步移动一个完整的电子，不会出现"半个电子在两个位点之间叠加"的非物理状态。这在概念上更干净，也使得中间步骤直接对应化学家能理解的"电子推箭头"操作。

连续到离散的推广并不简单——连续流匹配有成熟的数学工具（常微分方程、概率路径），离散空间需要全新的框架（CTMC、离散最优输运）。MAELLE 的方法贡献主要在这里。

更深层的启示：回到第一性原理

MAELLE 的设计哲学可以概括为一句话：回到第一性原理。

化学反应的本质是电子重排——这是量子化学的基本事实。但机器学习方法为了方便，一直在分子拓扑层面做近似。这种近似在分布内效果不错，但在分布外就暴露了——分子拓扑是表象，电子运动才是本质。

这个道理不只适用于化学反应预测。在许多领域，我们都在"表象空间"做建模，因为表象空间更容易观测、更容易表示。但当模型需要泛化到新场景时，表象空间的规律可能不再成立，只有回到本质空间的规律才能提供真正的鲁棒性。

MAELLE 在电子空间做反应预测，和 AlphaFold 在三维结构空间做蛋白质预测，有异曲同工之妙——两者都是回到领域的第一性原理空间，而不是在人类方便观测的表象空间做近似。

局限与展望

论文没有开源代码（截至撰写本文时），这使得复现和后续研究有一定门槛。

另一个局限是计算效率。在电子占据空间上做离散流匹配，比在分子拓扑上做图编辑要昂贵得多——状态空间更大，每一步的转移可能性更多。论文没有详细讨论推理时间，但从方法设计推断，MAELLE 的推理速度可能慢于纯拓扑方法。

未来的方向可能包括：把离散流匹配和连续流匹配混合使用（远距离用连续近似，近距离用离散精确）；把 MAELLE 的机制预测能力和催化剂设计、反应条件优化结合起来——不仅预测"产物是什么"，还预测"在什么条件下走哪条路径"。

结语

MAELLE 做了一件在概念上很优雅的事：它把化学反应预测从"分子拓扑变化"层面拉回到"电子占据重排"层面，用离散流匹配和最优输运构建了一个既有物理意义又有数学优雅性的框架。

在 AI for Science 越越火的今天，MAELLE 提供了一个重要的方法论启示：不要在表象空间做建模，要回到本质空间。化学的本质是电子，生物的本质是分子结构，物理的本质是场和粒子。当模型在本质空间工作时，它不仅更准确，还更可解释、更鲁棒、更有可能发现人类还没注意到的规律。

这或许是 AI for Science 的真正前途——不是用 AI 替代科学家做表象层面的模式匹配，而是用 AI 帮助科学家在本质层面发现新规律。

*本文基于 arXiv:2608.27429（MAELLE，2026 年 8 月）撰写。论文作者：Xuan-Vu Nguyen, Octavian Susanu, Daniel Armstrong, Philippe Schwaller。论文暂未开源代码。*