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

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

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

本文提出了一种新的反合成方法，应用随机过程来考虑不确定性，并提出了一种名为 retro-fallback 的新贪婪算法，该算法在实验室中最大化至少可以执行一个合成计划的概率。通过使用体外基准测试，证明 retro-fallback 通常比流行的 MCTS 和 retro * 算法产生更好的合成计划集。

Oct, 2023

本文提出了一种简洁的概率模型，用于描述合成规划中的不确定性，基于该模型，我们提出了一种名为 retro-prob 的新的合成规划算法，通过利用导数的链式法则实现了高效性，实验表明 retro-prob 在速度和合成方案质量方面优于之前的算法。

May, 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

分子逆合成是一个重要且复杂的化学问题，传统的手动合成方法不仅需要训练有素的专家，而且耗时，随着大数据和机器学习的发展，基于人工智能的逆合成引起了越来越多的关注，成为分子逆合成的有价值工具。我们提出了一种基于进化优化的逆合成路线规划的新方法，标志着进化算法在多步逆合成领域的首次应用。实验结果显示，相比于蒙特卡罗树搜索算法，进化优化算法显著减少了单步模型调用数量的平均值 53.9％，搜索三个解所需的时间平均减少了 83.9％，可行搜索路径数量增加了 5 倍。

Oct, 2023

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

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

近年来，如何综合分子的规划，即背向合成，已成为机器学习和化学领域关注的焦点之一。然而，现有技术存在系统性缺陷，由于缺乏完善的基准和一致的比较方法而被掩盖。为解决这个问题，我们提出了一个名为 syntheseus 的基准库，以默认方式促进最佳实践，使单步和多步背向合成算法能够进行一致且有意义的评估。我们使用 syntheseus 对之前的一些背向合成算法进行重新评估，发现在仔细评估时，目前最先进模型的排名会有所改变。最后，我们提供了这一领域未来工作的指导建议。

Oct, 2023