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
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
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。
May, 2021
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
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
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
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
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