学习制作具有普适性和多样性的回溯合成预测
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
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
本文是首篇对计算化学中反应和逆合成预测采用深度学习模型的应用进行综述,从设计机制、优势和弱点等多方面给出了全面系统的调查结论,并提出了当前解决方案的局限性和问题,最后探讨了未来研究的发展方向。
Jun, 2023
本文提出了一种基于图神经网络的模板自由算法,通过将逆向合成分为两个步骤来自动扩展化学反应,识别目标分子的潜在反应中心,生成中间合成物和生成与中间合成物相关的反应物。该方法在性能上超越了现有技术,并提供了合理的化学解释。
Nov, 2020
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
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
本研究提出一种 RetroKNN 方法, 该方法是一种基于机器学习的本地反应模板检索方法, 结合了神经网络预测和最近邻检索, 可以用于分子逆合成, 在 USPTO 数据集上取得了较好的结果。
Jun, 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
通过利用易于获取的非成对数据生成模拟反应,RetroWISE 利用基于真实配对数据推断的基础模型来培训模型,最终建立了更有效的基于机器学习的逆合成模型。
Jan, 2024