Nov, 2017

翻译中的发现”：使用神经序列到序列模型预测复杂有机化学反应的结果

PDF
TL;DR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。
发现论文，激发创造
  • 神经序列到序列模型在反合成反应预测中的应用

    本论文讲述了一种完全基于数据驱动的模型，该模型学习执行一个反合成反应预测任务，将其作为序列到序列映射问题来处理。该模型为端到端的训练模型，具有编码器 - 解码器结构，包含两个递归神经网络，该模型通过对美国专利文献中的 50,000 个实验反应示例进行训练，拥有解决计算机反应分析的挑战性问题的重要前进一步。

    Jun, 2017

  • 分子变压器 - 一种用于化学反应不确定性校准的模型

    本文旨在提高有机合成中的反应预测的准确性，通过使用多头注意力分子变压器模型，能够在保持普适性的基础上，取得 90% 以上的前 1 准确率和 89% 的准确的不确定性估计得分，而无需手工制定规则。

    Nov, 2018

  • 有机化学反应预测的神经网络

    利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

    Aug, 2016

  • 利用注意力机制神经网络绘制化学反应空间地图

    通过使用基于变换器的模型，可以从不带注释的简单文本化学反应表示中推断出反应类别，并可用作反应指纹，其分类准确率达到了 98.2%，而且较之传统反应指纹更好地捕捉反应类别之间的差异。

    Dec, 2020

  • 预测化学结合文本检索

    本文研究了在化学领域中使用自然语言描述来增强预测模型。使用文献手动提取的大量结构化数据来训练化学信息模型是传统的方法。本文引入了一种新的方法 TextReact，该方法直接利用从文献中检索到的文本增强预测化学。TextReact 检索与给定化学反应相关的文本描述，然后将其与反应的分子表示进行对齐。通过在预测器训练中加入辅助的掩码语言模型目标，增强了这种对齐。我们通过两个化学任务进行了实证验证：反应条件推荐和一步逆合成。通过利用文本检索，TextReact 显著优于仅基于分子数据训练的最先进的化学信息模型。

    Dec, 2023

  • 学习制作具有普适性和多样性的回溯合成预测

    提出新模型用于反合成预测，在美国专利文献数据集上通过序列到序列及离散潜在变量方法构建预测模型较基准模型性能显著提高同时生成更多多样性化预测结果。

    Oct, 2019

  • 分子发现中的语言模型

    科学语言模型在分子发现中的作用及其在药物设计、性质预测和反应化学中的优势，以及通过降低科学语言建模领域的门槛来加速化学发现，并提出结合聊天机器人界面和计算化学工具的分子设计愿景。

    Sep, 2023

  • 化学与药物发现中的 Transformer 和大型语言模型

    利用自然语言与化学的类比，本文探索了利用 Transformers 处理药物发现过程中的重要障碍，如后合成规划和化学空间探索，并展示了大型语言模型在化学领域解决通用任务的潜力。

    Oct, 2023

  • ReLM：利用语言模型提升化学反应预测

    利用语言模型将化学知识编码进图神经网络，提高了现实世界化学反应预测的准确性。

    Oct, 2023

  • 跨不同化学领域的迁移学习：利用在小分子和化学反应数据上预训练的深度学习模型进行有机材料的虚拟筛选

    使用机器学习预测有机材料属性是一种高效的虚拟筛选方法，本研究证明药物类小分子和化学反应数据库可用于预训练 BERT 模型以进行有机材料的虚拟筛选，并展示了其在机器学习模型训练中的优越性能，进一步加强了跨不同化学领域的迁移学习在有机材料的虚拟筛选中的可行性。

    Nov, 2023