Nov, 2020

RetroXpert: 化学家式分解逆合成预测

PDF
TL;DR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。
retrosynthesisorganic synthesis planningretrosynthesis prediction algorithmstemplate-free algorithmgraph neural network
发现论文，激发创造
  • 复古回退：不确定世界中的合成规划

    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

  • 基于概率模型的逆合成规划

    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

  • 学习规划化学合成

    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

  • 迈向 AlphaChem：树搜索与深度神经网络策略的化学合成规划

    本文提出把反合成建模为马尔可夫决策过程，并结合深度神经网络策略和蒙特卡罗树搜索算法，表现比传统手工启发式算法更好。

    Jan, 2017

  • 高效准确的反应预测的分子编辑模板

    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

  • RetroDiff: 反向合成作为多阶段分布插值

    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

  • 基于条件图逻辑网络的反合成预测

    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

  • 基于 (超) 图搜索的逆向合成预测

    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

  • 学习制作具有普适性和多样性的回溯合成预测

    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

  • RetroBridge: 基于 Markov Bridges 的 Retrosynthesis 建模

    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