高阶等变图神经网络：攻克金属催化过渡态生成的AI瓶颈
精确构建复杂三维分子架构，始终是计算化学领域的核心挑战📚。过渡态（TS）作为决定反应动力学特征的瞬态构型，其获取过程长期以来一直是解析反应机理的最大阻碍。生成式人工智能技术为过渡态的自动化计算提供了全新的解决思路，但现有方法大多仅适用于简单体系，很难应对过渡金属催化这类高复杂度的化学环境⚙️。
在本研究中，研究人员打造了一套通用的过渡态生成一体化方案🔍：该方案包含 UniTS‑Lib 数据集，其中收录了 4391 个高质量的过渡态几何构型，这些结构涵盖了 42 种化学元素以及多样的化学反应类型；与此同时，团队研发了 UniTS‑Gen 扩散生成模型，该模型基于定制的高阶 SE (3) 等变图神经网络架构，仅需输入二维反应物分子图，便能直接生成三维过渡态构型。经过多重基准测试验证，UniTS‑Gen 展现出了极高的精度，对未知的化学体系展现出强大的泛化性能，能够输出可靠的初始猜测结构，并有效定位动力学优势构象，从而加速反应机理的探索与发现。这一方案为有机合成乃至更广泛领域的机理自动化研究提供了可规模化且易于迁移的解决路径。
解析有机合成反应机理，过渡态搜索是绕不开的核心环节🔥。传统过渡态寻找极度依赖化学家的经验初猜，需要大量试错，面对过渡金属催化、多原子复杂体系时成本极高。尽管 AI 生成模型快速发展，但受限于数据集的元素多样性、分子尺寸，复杂真实合成场景下的落地一直存在短板⚠️。
该工作一方面整理构建大规模、多元素覆盖的高质量过渡态数据集 UniTS‑Lib；另一方面设计 UniTS‑Gen 条件扩散模型，仅输入二维反应物图就能生成三维过渡态，无需预先提供产物三维结构📖。
摘要
精确生成复杂三维分子架构是计算化学领域面临的一项根本性挑战。过渡态（TS）作为决定反应动力学特征的瞬态物种，这一特征充分凸显了该领域的复杂性，目前，过渡态的计算依然阻碍着反应机理的深入解析。生成式人工智能在过渡态的自动化生成方面展现出广阔的应用前景，但现有方法大多局限于简单的化学体系，难以应对过渡金属催化等复杂结构体系。研究团队展示了一套通用的过渡态生成一体化框架：该框架包含 UniTS‑Lib 数据集，其中拥有 4391 个高质量的结构样本，这些样本覆盖了 42 种化学元素以及多样化的化学转化；该框架耦合了 UniTS‑Gen 扩散模型，并采用了定制的高阶等变网络，能够仅凭二维反应物分子图生成三维过渡态构型。验证结果显示，UniTS‑Gen 具备卓越的精度，对于未见过的化学体系，模型拥有稳健的泛化能力。团队证实，UniTS‑Gen 能够输出可靠的初始猜测结构，通过定位动力学优势构象来加速机理发现过程。这项工作为有机合成及其他领域的机理自动化研究奠定了基础，提供了可规模化且可迁移的解决方案。
引言
过渡态（TS）代表反应坐标上势能最高的鞍点，这是一类对结构高度敏感的瞬态物种，决定了化学反应的动力学行为，对于解析反应机理至关重要。在不对称金属有机催化、手性自由基化学等领域，分析过渡态结构对于理性设计有效的化学体系不可或缺。尽管定位这类瞬态结构至关重要，但主流计算策略仍高度依赖人工提供合理的初猜结构。生成合理的过渡态初始结构通常需要耗费大量人力进行试错以及专家的深度介入。这种依赖人工经验的范式可扩展性较差，越来越难以跟上新型反应体系快速增长的步伐。
受深度学习在生物大分子预测领域取得变革性成功的启发，化学领域开始利用生成式 AI 实现过渡态的自动化识别，力求摆脱专家直觉带来的约束。该领域的方法迭代速度非常快，从早期基于几何距离的启发式方法，逐步发展为成熟的扩散生成框架。Kim 等人和 Duan 等人的代表性工作分别证实，扩散模型能够生成合理的过渡态几何结构，适用于元素种类有限的基元反应。后续 Liu 等人将该方法从单分子体系拓展至特定的双分子体系，这些工作极大推动了反应机理的自动化研究。
图1：用于自动化过渡态挖掘的统一框架
a：构建 UniTS‑Lib 数据集的自动化工作流程。该流程处理了 346 份补充信息文档，将 10000 余份初始量子力学（QM）输入文件进行标准化，经过严格的 DFT 优化及有效性验证，最终获得了 4391 个高质量的过渡态几何结构。
b：UniTS‑Gen 模型架构。该模型采用高阶等变图神经网络（GNN）作为去噪核心，通过二维分子图输入生成三维过渡态几何，具备稳健的泛化能力，并支持多构型输出。
c：展示了 UniTS‑Gen 能够生成高质量的三维初始猜测结构，这些结构可直接用于后续的选择性分析。QM：量子力学；GNN：图神经网络。
然而，当前的生成式框架仍局限于简化体系，数据集在元素多样性和分子尺寸方面存在不足。面向过渡金属催化这类真实合成场景，开发通用的过渡态生成模型依然是巨大挑战。若要将生成式 AI 有效应用于真实的机理研究，必须攻克两项关键难题：第一，构建覆盖多样反应类型、元素组成以及宽泛原子数分布的完备过渡态数据集；第二，开发表达能力充足的生成架构，在数据相对稀疏的情况下，对过渡态丰富的结构多样性进行建模，同时对未见过的化学流形保持良好的泛化能力。
研究团队填补了上述空白，提出了一套统一框架，实现了复杂过渡态数据集的自动化构建，同时开发了高精度、强泛化的端到端生成模型，仅需二维分子图即可预测高质量的三维过渡态初猜结构。团队首先使用框架内的数据构建工作流：从文献补充信息文档提取过渡态坐标，经过严格的密度泛函理论（DFT）级别过渡态优化与频率验证，由此建立 UniTS‑Lib 库，包含