一种基于贝叶斯算法的反合成化学方法
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
本文提出了一种简洁的概率模型，用于描述合成规划中的不确定性，基于该模型，我们提出了一种名为 retro-prob 的新的合成规划算法，通过利用导数的链式法则实现了高效性，实验表明 retro-prob 在速度和合成方案质量方面优于之前的算法。
May, 2024
分子逆合成是一个重要且复杂的化学问题，传统的手动合成方法不仅需要训练有素的专家，而且耗时，随着大数据和机器学习的发展，基于人工智能的逆合成引起了越来越多的关注，成为分子逆合成的有价值工具。我们提出了一种基于进化优化的逆合成路线规划的新方法，标志着进化算法在多步逆合成领域的首次应用。实验结果显示，相比于蒙特卡罗树搜索算法，进化优化算法显著减少了单步模型调用数量的平均值 53.9％，搜索三个解所需的时间平均减少了 83.9％，可行搜索路径数量增加了 5 倍。
Oct, 2023
本文提出了一种新的反合成方法，应用随机过程来考虑不确定性，并提出了一种名为 retro-fallback 的新贪婪算法，该算法在实验室中最大化至少可以执行一个合成计划的概率。通过使用体外基准测试，证明 retro-fallback 通常比流行的 MCTS 和 retro * 算法产生更好的合成计划集。
Oct, 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
化学中的逆合成规划是一项基本挑战，旨在从商业可获取的起始物质设计反应路径以达到目标分子。本文介绍了马尔可夫桥模型和 RetroBridge 这一无模板逆合成建模方法，它们在标准评估基准上取得了最先进的结果。
Aug, 2023
本文提出了一种基于神经网络的 A * 算法 Retro * 来高效地进行合成路径规划，在美国专利和商标局数据集上实验表明，我们的方法不仅成功率和解决方案质量均优于现有技术，而且效率更高。
Jun, 2020
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
本文提出了一种名为 MCTS 的基于模拟退火算法的反合成规划方法，使用 Experience Guidance Network 从化学合成经验中学习知识，实现有效处理拥有巨大可能性的化学反应，实验结果证明在效率和功效上均优于现有研究成果。
Dec, 2021