基于条件图逻辑网络的反合成预测
本文提出了一种基于分子图转换的无模板逆合成预测方法 G2Gs,可以将一个目标分子图转化为一组反应物分子图,通过识别反应中心将目标分子图分解为一组合成子,再通过图形翻译技术将它们转化为反应物图。实验结果表明,G2Gs 的表现接近于最先进的基于模板的方法,且不需要领域知识且更加可扩展。
Mar, 2020
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
提出了一种基于图形搜索的策略,消除了中间分子的冗余探索,并采用图神经网络引导搜索。同时,我们的方法可以同时搜索一批目标,并使用基于树的搜索方法删除树间重复。在两个数据集上的实验结果表明了我们方法的有效性。特别是在广泛使用的 USPTO 基准测试中,我们将搜索成功率提高到 99.47%,提高了 2.6 个百分点的先前最先进的性能。
Jun, 2022
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
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
提出一种以深度神经网络为基础的框架,应对合成目标分子时所需考虑的现实反应和可行建筑基元,以及优化生成的反应路径,实验结果显示该方法提高了反应路径的解决成功率。
Jun, 2021
研究者利用深度神经网络和 Monte Carlo Tree Search 相结合的方法,通过训练为所有有机化学反应提供未来的化合物转化路径,从而加速了药物和材料的发现,并启用完全自动的机器人合成。
Aug, 2017