IJCAIMay, 2021

RetCL：对比学习的基于选择的反合成方法

PDF
TL;DR本文提出一种名为 RetCL 的高效的 Reactant 选择框架，采用图神经网络计算选择的分数，并提出一种新颖的对比训练方案，用于学习这些分数函数，实现了在反应模板、稳定性和可购买性方面综合考虑反应物组合，获得了良好的准确性和泛化性能。
retrosynthesisdeep learningreactant selectiongraph neural networkscontrastive training
发现论文，激发创造
  • 使用本地模板检索的逆合成预测

    本研究提出一种 RetroKNN 方法， 该方法是一种基于机器学习的本地反应模板检索方法， 结合了神经网络预测和最近邻检索， 可以用于分子逆合成， 在 USPTO 数据集上取得了较好的结果。

    Jun, 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

  • 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

  • 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

  • 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

  • 深度学习在反应和追溯合成预测中的统一视图：现状与未来挑战

    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

  • RLSynC: 离线在线强化学习用于合成物完成

    基于模板的半模板合成方法 RLSynC 通过完成合成子来指导合成规划，结果表明 RLSynC 在合成规划中的潜力较高。

    Sep, 2023

  • RetICL: 采用强化学习的上下文顺序检索示例

    本研究提出了 Retrieval for In-Context Learning (RetICL)，一种可学习的方法，用于模拟和最佳选择逐个该如何为 in-context learning 选择任务例子。它将顺序示例选择问题作为马尔可夫决策过程，使用 LSTM 设计示例检索器模型，并使用 PPO 进行训练。我们在数学问题求解数据集上验证了 RetICL，表明它优于启发式和可学习的基线，并在 TabMWP 数据集上实现了最先进的准确性。我们还使用案例研究展示了 RetICL 隐含学习了数学问题求解策略的表示方式。

    May, 2023

  • 通过模拟反应数据增强的反向合成预测

    通过利用易于获取的非成对数据生成模拟反应，RetroWISE 利用基于真实配对数据推断的基础模型来培训模型，最终建立了更有效的基于机器学习的逆合成模型。

    Jan, 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