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

本文提出了一种基于分子图转换的无模板逆合成预测方法 G2Gs，可以将一个目标分子图转化为一组反应物分子图，通过识别反应中心将目标分子图分解为一组合成子，再通过图形翻译技术将它们转化为反应物图。实验结果表明，G2Gs 的表现接近于最先进的基于模板的方法，且不需要领域知识且更加可扩展。

Mar, 2020

本文介绍了 UAlign，一种无模板的图序列化逆合成预测方法，通过结合图神经网络和 Transformer，更有效地利用了分子的内在图结构。基于化学反应过程中大部分分子结构保持不变的事实，我们提出了一种简单而有效的 SMILES 对齐技术，以促进未改变结构在反应物生成中的重复利用。大量实验表明，我们的方法明显优于最先进的无模板和半模板方法。重要的是，我们的无模板方法在效果上可与甚至超过已建立的强大的模板方法相媲美。

Mar, 2024

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

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

通过使用 Transformer 神经网络架构的自校正回溯合成预测器 (SCROP)，我们将回溯合成规划转化为反应物和产物的分子线性符号之间的机器翻译问题，并结合基于神经网络的语法校正器，在标准基准数据集上实现了 59% 的准确性，比其他深度学习方法提高了 21% 以上，比基于模板的方法提高了 6% 以上。最重要的是，对于训练集中未出现的化合物，我们方法的准确性比其他最先进的方法提高了 1.7 倍。

Jul, 2019

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

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

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

本论文讲述了一种完全基于数据驱动的模型，该模型学习执行一个反合成反应预测任务，将其作为序列到序列映射问题来处理。该模型为端到端的训练模型，具有编码器 - 解码器结构，包含两个递归神经网络，该模型通过对美国专利文献中的 50,000 个实验反应示例进行训练，拥有解决计算机反应分析的挑战性问题的重要前进一步。

Jun, 2017