RetroAgent：化学合成計画のための構造化メモリを活用したLLMエージェント

論文概要

多段階逆合成解析（Retrosynthesis planning）は、目的の化合物を市販のビルディングブロックへと分解する複雑な探索問題である。従来手法は木探索とオフライン学習された評価ネットワークに依存していたが、本論文ではLLMをエージェントとして活用し、構造化メモリを介してシンボリック探索とニューラル推論を統合する「RetroAgent」を提案する。本手法は、探索状態の全体像を把握し、中間体の性質や代替ルートを考慮した意思決定を行う。

関連研究

従来の逆合成解析手法は、個別の反応ステップを評価するモデルに依存しており、多段階のルート全体を俯瞰した推論が困難であった。近年、LLMを用いたアプローチが試みられているが、単純なインターフェースでは探索空間の広大さを十分にカバーできていない。RetroAgentは、これらの限界を打破するために、外部メモリと化学ツールを組み合わせたエージェントフレームワークを採用している。

新規性と貢献

RetroAgentの主要な貢献は、LLMが探索木の状態（探索済みルート、利用可能な代替案、中間体特性）を構造化メモリを通じて直接観測できる点にある。これにより、局所的な反応評価だけでなく、グローバルな探索戦略に基づいた合成計画の立案が可能となった。

提案手法の詳細

RetroAgentは、以下の構成要素で設計されている。

• 構造化メモリ: 探索の進捗状況を保持し、LLMが過去の試行や中間体の情報を参照できるようにする。
• 化学ツール: 外部の化学データベースやシミュレーションツールを呼び出し、推論の根拠をドメイン知識で強化する。
• LLMエージェント: メモリとツールを統合し、探索木内のどのノードを次に展開すべきかを判断する。 この設計は、LLMの推論能力をドメイン特化型のシンボリックな制約と結びつけることで、探索の効率を最大化する意図がある。

評価・考察

USPTO-190およびChEMBL-1000データセットを用いた実験において、RetroAgentは既存のベースライン手法と比較して、Pass@1および成功率の両面で高いパフォーマンスを示した。特に、未知の化合物を含むアウト・オブ・ディストリビューション（OOD）環境下でも、安定した汎化性能を維持していることが確認された。

応用例と今後の展望

本手法は、製薬・材料科学分野における創薬パイプラインの自動化に直接的なインパクトを与える。特に、複雑な分子の合成ルート設計において、熟練化学者の意思決定を支援するツールとして機能する。日本の製薬企業における研究開発現場において、数千から数万規模の化合物探索を自動化する際の強力な基盤技術となり得る。

結論

RetroAgentは、構造化メモリとLLMを組み合わせることで、多段階逆合成解析における探索の質を大幅に改善した。シンボリックな探索手法とLLMの推論能力の融合は、化学合成計画のみならず、複雑な推論を要する科学的探索タスク全般において有効なアプローチである。

注釈

• 逆合成解析: 標的分子から出発して、より単純な化学物質に分解していくプロセス。
• Pass@1: 最初の1回の試行で正解（合成ルート）に到達できる確率。