IJCAIJun, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 神经序列到序列模型在反合成反应预测中的应用

    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

  • 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

  • 自我改进的合成逆合成规划

    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

  • 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

  • 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

  • 有机化学反应预测的神经网络

    利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

    Aug, 2016

  • 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

  • 一种基于贝叶斯算法的反合成化学方法

    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

  • 全面化学评估揭示反应预测模型中的陷阱

    化学反应预测是近年来机器学习领域引起了重大关注的问题，由于其复杂性及在化学领域中的关键应用。然而，此任务的模型评估往往仅局限于像 top-k 准确度这样的简单度量标准，忽略了模型局限性的细微细节。我们提出了一种新的评估方案，基于现有方法，并朝着更全面的评估目标进行改进。我们引入了一些关键组件，包括 CHORISO，一份经过策划的数据集以及多个定制拆分，以再现化学相关的情景，以及一系列度量标准，提供模型优势和局限性的全面视图。利用这种方法应用于当下最先进的模型，揭示了特异性和化学领域外普适性等敏感方面的重要差异。我们的工作为最终能够加速化学发现的强大预测模型铺平了道路。

    Dec, 2023