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

本文提出了一种新的基于条件图逻辑网络的化学反应逆向设计方法，使用图神经网络隐式考虑反应是否在化学上可行和策略性，并提出了一种有效的分层采样，成功将当前现有方法的性能提高了 8.1%。

Jan, 2020

单步逆向合成是有机化学和药物设计中的关键任务，计算辅助合成规划的出现使得使用机器学习技术促进该过程的兴趣日益增长。我们提出的 NAG2G 方法，也是一种基于 Transformer 的无模板模型，但利用了二维分子图和三维构象信息，同时简化了生成物 - 反应物原子映射对齐的加入，通过利用节点对齐确定节点生成的特定顺序，并以节点为单位以自回归的方式生成分子图，这确保了节点生成顺序与输入图中的节点顺序一致，克服了以自回归方式确定特定节点生成顺序的困难。我们广泛的基准测试结果表明，提出的 NAG2G 在各种指标上能够超越先前的最先进基线。

Sep, 2023

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 SemiRetro 的方法，将 TB 方法和 TF 方法的优点结合起来，采用减少模板冗余的方式对半模板进行嵌入，提高了化合物中心的识别和半模板的分类，实现了高效的回溯合成。实验结果表明，SemiRetro 的性能明显优于现有的 TB 和 TF 方法，并具有更好的训练效率。

Feb, 2022

该研究提出了一种新颖的单步逆向合成模型 RetroGFN，通过在训练过程中利用一个可行性代理模型，可以探索有限数据集之外的可能反应，并返回多样的可行反应集合。实验证明 RetroGFN 在标准前 k 名准确率上具有竞争力，并在往返准确率方面优于现有方法。此外，提供了使用往返准确率的经验性论据，扩展了与标准前 k 名准确率指标相关的可行性概念。

Jun, 2024

提出了一种基于树 - 序列转换器模型和 SMILES 语法树的复合模型 - G-MATT，该模型创新性地结合了数据驱动模型和化学知识，能够显著改善传统预测指标，并在保留了化学知识的同时避免了过于复杂的模型架构。

May, 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

反向合成扩散 (RetroDiff) 是一种基于扩散的新方法，用于解决生物制药中的根本性挑战，旨在帮助化学家找到合适的反应物分子和合成路径，即给定确定的产物分子。

Nov, 2023

METRO 是一种利用最小化模板预测化学反应的机器学习模型，通过简化反应模式以减少计算负担，从而在标准基准测试中取得最先进的结果。

Oct, 2023