利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

Aug, 2016

该研究介绍了一种基于序列到序列模型的无模板反应预测方法，使用一种新型的可扩展标记方法，不涉及反应模板等辅助知识，达到了 80.1% 的准确率，其核心思想是运用语言学分析的思维方式来解决有机化学问题。

Nov, 2017

本文提出了一种基于超图的化学反应网络表示方法，旨在研究反应的统计特性和利用超图嵌入解决反应分类问题。结果表明，超图表示方法具有灵活性、能够保留反应上下文，且能够揭示出传统有向图表示方法无法呈现的隐含特征。

Aug, 2022

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

采用基于图的分子结构表示的超图注意力神经网络方法解决化学反应表示与性质预测问题，既能增强在通用性、鲁棒性、解释性等方面的考虑，又能达到比其他方法更好的性能与可解释性。

Jan, 2022

通过结合过程文本并使用两种主要方法（ReacLLaMA-Adapter 和 Zero-Shot Labeling ReacLLaMA），改进 Graphormer 反应模型的准确性，提高了对不良反应的辨别能力，从而提供了更准确的具有改进特异性的化学反应模型。

Jan, 2024

该研究提出使用化学反应来辅助学习分子表示，强制规定化学方程中反应物嵌入和生成物嵌入之和相等，以保持嵌入空间的良好组织，并提高分子嵌入的泛化能力。实验结果表明，该方法在多个下游任务中获得了最先进的性能。

Sep, 2021

本文研究了在化学领域中使用自然语言描述来增强预测模型。使用文献手动提取的大量结构化数据来训练化学信息模型是传统的方法。本文引入了一种新的方法 TextReact，该方法直接利用从文献中检索到的文本增强预测化学。TextReact 检索与给定化学反应相关的文本描述，然后将其与反应的分子表示进行对齐。通过在预测器训练中加入辅助的掩码语言模型目标，增强了这种对齐。我们通过两个化学任务进行了实证验证：反应条件推荐和一步逆合成。通过利用文本检索，TextReact 显著优于仅基于分子数据训练的最先进的化学信息模型。

Dec, 2023

通过机理模型，我们可以预测反应产物、发现新反应，并预测杂质。本研究构建了一个数据集，通过专家反应模板在实验报告的反应物和产物之间填补中间体，然后使用机器学习模型对该数据集进行训练。我们探索了模型的性能和能力，特别关注其预测反应途径以及催化剂和试剂的作用。此外，机理模型在预测杂质方面具有潜力，这通常被传统模型所忽视。最后，我们评估了机理模型在新的反应类型上的推广能力，并揭示了数据集多样性、连续预测和原子守恒违规方面的挑战。

Mar, 2024

本篇研究使用图神经网络对有机化学反应进行建模，通过对四种普遍反应进行分类任务的评估，发现具有预测能力且能够识别影响反应条件的特定图形特征，为推进分子机器学习研究提供了巨大的前景。

Jul, 2020