SynRXN: Um Referencial Aberto e Conjunto de Dados Curado para Modelagem Computacional de Reações

Por que Dados de Química Mais Inteligentes Importam

A química moderna depende cada vez mais de computadores para ajudar a projetar novos medicamentos, materiais e produtos químicos do dia a dia. Mas mesmo os algoritmos mais avançados são tão bons quanto os dados com os quais aprendem. Hoje, os dados de reação estão espalhados por patentes, artigos e cadernos de laboratório em formatos bagunçados e inconsistentes, o que dificulta avaliar se ferramentas computacionais concorrentes estão realmente melhorando. Este artigo apresenta o SynRXN, uma coleção aberta e cuidadosamente curada de conjuntos de dados e testes projetada para oferecer aos pesquisadores um campo comum para avaliar o desempenho de seus métodos no planejamento e entendimento de sínteses químicas.

Dividindo um Problema Complexo em Etapas Claras

O planejamento de síntese auxiliado por computador busca ajudar químicos a descobrir como fabricar uma molécula-alvo a partir de blocos de construção mais simples. Em vez de tratar isso como um desafio monolítico, o SynRXN o divide em cinco famílias de tarefas concretas que espelham o que os químicos fazem na prática. Primeiro vem corrigir e completar registros de reação (rebalanço), depois rastrear como átomos individuais se movem dos reagentes para os produtos (mapeamento átomo a átomo), em seguida atribuir cada reação a uma categoria (classificação de reações), prever propriedades numéricas úteis, como rendimentos ou barreiras de energia (predição de propriedades de reação) e, por fim, prever quais produtos ou reagentes são prováveis para uma dada transformação (predição de síntese). Ao definir entradas, saídas e medidas de avaliação precisas para cada uma dessas etapas, o SynRXN transforma um fluxo de trabalho emaranhado em um conjunto de problemas bem colocados.

Limpeza de Registros Químicos Ruídos

Dados de reação do mundo real costumam ser incompletos: patentes e cadernos eletrônicos podem omitir solventes, contra-íons ou subprodutos, ou listar contagens de átomos impossíveis. O SynRXN aborda isso em sua tarefa de rebalanço de reações começando por conjuntos de dados derivados de patentes amplamente utilizados e construindo deliberadamente exemplos com tipos específicos de erros, como falta de átomos que não sejam carbono ou componentes ausentes em um ou ambos os lados da equação. Em seguida, usa um método híbrido baseado em regras e grafos para restaurar o equilíbrio, mantendo apenas correções com confiança muito alta e verificando manualmente o conjunto de teste final. Para o mapeamento átomo a átomo, o SynRXN reúne reações orgânicas e bioquímicas de várias fontes confiáveis e as submete a verificações automatizadas rigorosas para garantir que as moléculas sejam válidas e representadas de forma consistente antes de comparar quão bem diferentes ferramentas de mapeamento acompanham o destino de cada átomo.

Organizando Reações em Classes e Números

Além de simplesmente saber se uma reação está equilibrada, os químicos se interessam pelo tipo de transformação e por seu desempenho. O SynRXN, portanto, reúne vários níveis de tarefas de classificação de reação, que vão de categorias amplas até diferenças finas de mecanismo, e inclui tanto reações orgânicas de patentes quanto reações catalisadas por enzimas da biologia. Ele emparelha esses rótulos com formas padronizadas de dividir os dados em conjuntos de treinamento, validação e teste, e com métricas de desempenho acordadas. Para alvos numéricos, o SynRXN coleta conjuntos de dados de rendimentos de reação, barreiras de energia, taxas e outras propriedades da literatura e repositórios públicos. Todos passam por um pipeline de limpeza consistente, e modelos de referência simples são fornecidos para que os usuários possam rapidamente saber se um novo método é realmente melhor que uma linha de base razoável.

Tornando Previsões de Reações Justas e Reprodutíveis

Para a tarefa de predição de síntese, o SynRXN foca em reações de etapa única nas quais um conjunto dado de reagentes leva a um ou mais produtos, ou quando o objetivo é trabalhar retrospectivamente a partir de um produto para reagentes plausíveis. Ele agrupa três corpora influentes derivados de patentes que muitos grupos já usam, mas os reexporta com divisões determinísticas e transparentes e scripts de avaliação comuns. Nos bastidores, todos os conjuntos de dados SynRXN seguem a mesma estrutura tabular com identificadores de reação estáveis, codificações padronizadas de moléculas e etiquetas de licença explícitas. Um manifesto legível por máquina registra locais de arquivos, checksums, nomes de colunas e contagens, permitindo que qualquer pessoa regenere as mesmas tabelas curadas em outra máquina ou em data posterior usando receitas de build roteirizadas.

O Que Isso Significa para a Descoberta Química Futura

Na prática, o SynRXN não introduz um novo modelo preditivo; em vez disso, fornece a infraestrutura necessária para comparar modelos existentes e futuros de forma justa. Ao harmonizar dados de reação de muitas fontes, aplicar verificações de qualidade rigorosas e publicar benchmarks abertos e versionados com resultados de referência, o SynRXN permite que pesquisadores identifiquem quais partes do pipeline de planejamento de síntese funcionam bem e onde falham. Para químicos e cientistas de dados, isso significa que alegações de melhoria de desempenho podem se basear em testes compartilhados em vez de conjuntos de dados personalizados e opacos, acelerando o progresso confiável em direção a ferramentas computacionais que realmente auxiliem o projeto químico no mundo real.

Citação: Phan, TL., Nguyen Song, NN. & Stadler, P.F. SynRXN: An Open Benchmark and Curated Dataset for Computational Reaction Modeling. Sci Data 13, 625 (2026). https://doi.org/10.1038/s41597-026-07260-w

Palavras-chave: planejamento de síntese auxiliado por computador, avaliação de reações, conjuntos de dados de reações químicas, aprendizado de máquina para química, predição de reações