该研究介绍了一种基于序列到序列模型的无模板反应预测方法，使用一种新型的可扩展标记方法，不涉及反应模板等辅助知识，达到了80.1%的准确率，其核心思想是运用语言学分析的思维方式来解决有机化学问题。

Nov, 2017

描述化学反应为分子中电子的逐步重新分配，通过电子路径预测模型ELECTRO可以直接学习从原始反应数据中准确预测反应序列。

May, 2018

本文提出了一种新的基于条件图逻辑网络的化学反应逆向设计方法，使用图神经网络隐式考虑反应是否在化学上可行和策略性，并提出了一种有效的分层采样，成功将当前现有方法的性能提高了8.1%。

Jan, 2020

MEGAN是一种基于神经网络的模型，能够预测化学反应的多样化结果并在遇到额外约束时提出可行的替代反应。该模型能够表述反应为一系列的图编辑，实现端到端的反应预测，从而在大型数据集上达到了最新成果。

Jun, 2020

本篇研究使用图神经网络对有机化学反应进行建模，通过对四种普遍反应进行分类任务的评估，发现具有预测能力且能够识别影响反应条件的特定图形特征，为推进分子机器学习研究提供了巨大的前景。

Jul, 2020

本文提出了一种基于超图的化学反应网络表示方法，旨在研究反应的统计特性和利用超图嵌入解决反应分类问题。结果表明，超图表示方法具有灵活性、能够保留反应上下文，且能够揭示出传统有向图表示方法无法呈现的隐含特征。

Aug, 2022

本文提出了一种新的框架来同时满足电子再分配建模的两个基本规则——电子计数规则和对称规则，并通过Sinkhorn算法迭代更新注意力映射，以将双重保守约束作为附加信息先验于电子再分配建模中，以此来显著提高非自回归模型的预测性能。

Jun, 2023

在化学反应的推理中，我们引入了一个基于三维结构的反应物和生成物构建的等变神经网络EquiReact，展示了它在GDB7-22-TS、Cyclo-23-TS和Proparg-21-TS数据集的活化能预测中的竞争性能，对于原子映射信息的包含程度不同的数据集，相比于最新模型，EquiReact提供了：（i）一个灵活的模型，缓解了原子映射变量之间的敏感性，（ii）更好的对未知化学反应的外推能力，（iii）在反应物/生成物的三维几何变化较为微小的数据集中表现出色的预测误差，（iv）对几何质量的敏感性减少以及（iv）出色的数据效率。

Dec, 2023

该研究提出了一种基于半模板的方法，即RetroSiG框架，用于预测复杂反应，并通过反应中心的识别和离去基团的完善任务来搜索产物分子图和离去基团超图，以此来缓解现有方法中的限制。

Feb, 2024

通过机理模型，我们可以预测反应产物、发现新反应，并预测杂质。本研究构建了一个数据集，通过专家反应模板在实验报告的反应物和产物之间填补中间体，然后使用机器学习模型对该数据集进行训练。我们探索了模型的性能和能力，特别关注其预测反应途径以及催化剂和试剂的作用。此外，机理模型在预测杂质方面具有潜力，这通常被传统模型所忽视。最后，我们评估了机理模型在新的反应类型上的推广能力，并揭示了数据集多样性、连续预测和原子守恒违规方面的挑战。

Mar, 2024