May, 2023

MotifRetro: 通过动态基元编辑探索合成逆反应中的可组合性与一致性权衡

PDF
TL;DR本文提出动态模式编辑框架 MotifRetro，其中 RetroBPE 控制组合一致性的平衡，LG-EGAT 模块动态添加模式到分子中，达到优化组合性和一致性的最佳平衡，最终实验在 USPTO-50K 数据集上达到最优化性能。
retrosynthesis predictiongraph-based modelsmotifretrocombinability-consistency trade-offslg-egat module
发现论文，激发创造
  • SemiRetro: 半模板框架提升深度回溯合成预测

    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

  • 一种基于图形的框架用于反合成预测

    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

  • 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

  • 使用结构模式层次生成分子图

    本研究提出了一个新的分层图编解码器，采用更大、更灵活的图案作为基本组成部分，能够有效地处理分子生成任务，包括聚合物，其性能明显优于现有技术。

    Feb, 2020

  • 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

  • RetroGraph：基于图搜索的反合成规划

    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

  • RetroXpert: 化学家式分解逆合成预测

    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。

    Nov, 2020

  • 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

  • G-MATT：使用分子图文法树转换器进行单步反合成预测

    提出了一种基于树 - 序列转换器模型和 SMILES 语法树的复合模型 - G-MATT，该模型创新性地结合了数据驱动模型和化学知识，能够显著改善传统预测指标，并在保留了化学知识的同时避免了过于复杂的模型架构。

    May, 2023

  • 对于将扩散模型应用于反向合成，对准是关键

    通过对易变去混噪器的松弛要求，我们提出了一种新的去混噪器，最大限度地提高了反合成模型的表达能力和适用性。在 USPTO-50k 数据集上，我们的新模型实现了最高的 top-1 准确率（54.7%），同时在小扩散步数的情况下展示了灵活的后期训练条件和优质的样本质量，突显了交互式应用和多步规划的额外控制的潜力。

    May, 2024