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

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

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

使用机器学习技术，采用 Bayesian 推理和蒙特卡罗搜索算法，逆向发现了合成路线，能够以较高的准确率运用于合成有机化学方面。

Mar, 2020

传统计算辅助合成规划方法依赖于迭代单步预测，导致搜索空间呈指数增长，限制了效率和可扩展性。我们引入了一种基于 Transformer 模型的方法，通过有条件地基于所有前面的分子来预测每个分子，直接生成多步合成路线作为一个字符串。该模型适应了特定条件，如期望的步数和起始物质，在 PaRoutes 数据集上的表现优于现有方法，在 n$_1$ 测试集上的 Top-1 准确率提高了 2.2 倍，在 n$_5$ 测试集上提高了 3.3 倍。它还成功预测了训练数据中未包含的 FDA 批准药物的路线，展示了其泛化能力。尽管当前训练集的亚优多样性可能会影响对于不常见反应类型的性能，但我们的方法在实现全自动逆向合成规划方面显示了一个有希望的方向。

May, 2024

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

化合物的追溯合成涉及将化合物逐步递归地分解为分子前体，直到找到一组商业可获得的分子为止，以提供合成路径。本研究结合了两个主要的研究方向，即单步追溯合成预测模拟化学反应逻辑和多步合成规划试图找到合适的反应序列，发现了高单步表现与寻找合成路线成功之间存在的断裂，并且示范了单步模型对多步合成规划整体成功率的重要影响。

Aug, 2023

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

该研究提出了一种基于 Transformer 的自动回流合成路径规划模型，能够从受体预测开始，通过蒙特卡罗树搜索实现自动化回溯合成路径规划，经过两个数据集训练之后，其表现为单步回流合成预测的最佳，达到了 54.6％和 63.0％的准确性，尤其是其能够成功地进行多步回流合成路径规划，提供了全新的自动化回流合成规划策略。

May, 2019

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