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

该研究使用 SMILES 和化学描述符的多类型输入预测化学反应产量，模型由预训练的 BERT 编码器和 MLP 组成，可提高产量预测精度并在 Buchwald-Hartwig 和 Suzuki-Miyaura 反应中测试，同时可以推荐最佳反应条件，从而在湿实验中实现最佳结果。

Apr, 2022

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

本文旨在使用反应数据进行预训练分子表示的过程，运用在 MoleculeNet 的 12 个分子属性预测任务上，结果显著地提高了预测模型的表现。

Jul, 2022

该研究提出了一种基于 Transformer 的自动回流合成路径规划模型，能够从受体预测开始，通过蒙特卡罗树搜索实现自动化回溯合成路径规划，经过两个数据集训练之后，其表现为单步回流合成预测的最佳，达到了 54.6％和 63.0％的准确性，尤其是其能够成功地进行多步回流合成路径规划，提供了全新的自动化回流合成规划策略。

May, 2019

通过使用 Transformer 神经网络架构的自校正回溯合成预测器 (SCROP)，我们将回溯合成规划转化为反应物和产物的分子线性符号之间的机器翻译问题，并结合基于神经网络的语法校正器，在标准基准数据集上实现了 59% 的准确性，比其他深度学习方法提高了 21% 以上，比基于模板的方法提高了 6% 以上。最重要的是，对于训练集中未出现的化合物，我们方法的准确性比其他最先进的方法提高了 1.7 倍。

Jul, 2019

我们提出了一种新颖的 Transformer 架构 Moleformer，它将节点（原子）和边（键和非键原子对）作为输入，并使用旋转不变性和平移不变性的几何感知空间编码来模拟它们之间的相互作用。我们在 OC20 和 QM9 数据集上进行了基准测试，Moleformer 在 OC20 的初始状态到松弛能量预测方面实现了最先进的水平，并且在预测量子化学性质方面与其他 Transformer 和图神经网络方法相比非常有竞争力，证明了所提出的几何感知空间编码在 Moleformer 中的有效性。

Feb, 2023

本文介绍了一种基于 SMILES Transformer 的分子指纹预测方法，该方法在虚拟筛选和其他药物发现任务中表现出优越性，在小数据集和复杂分析环境中表现良好。

Nov, 2019

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

本篇论文提出了一种新的分子生成模型，模拟了现实中的制备过程，可以通过选择初试反应物（从商业上可获得的分子池中选择），使用反应模型来预测它们之间的反应生成新的分子，同时可以考虑化合物的性质和合成路径的可行性，通过解决反合成问题，预测出一组可以产生目标产品的反应物。

Jun, 2019