Aug, 2023

RetroBridge: 基于 Markov Bridges 的 Retrosynthesis 建模

PDF
TL;DR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。
发现论文，激发创造
  • 基于概率模型的逆合成规划

    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

  • RetroDiff: 反向合成作为多阶段分布插值

    反向合成扩散 (RetroDiff) 是一种基于扩散的新方法，用于解决生物制药中的根本性挑战，旨在帮助化学家找到合适的反应物分子和合成路径，即给定确定的产物分子。

    Nov, 2023

  • 模型的重要性：单步反合成对合成规划的影响

    化合物的追溯合成涉及将化合物逐步递归地分解为分子前体，直到找到一组商业可获得的分子为止，以提供合成路径。本研究结合了两个主要的研究方向，即单步追溯合成预测模拟化学反应逻辑和多步合成规划试图找到合适的反应序列，发现了高单步表现与寻找合成路线成功之间存在的断裂，并且示范了单步模型对多步合成规划整体成功率的重要影响。

    Aug, 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

  • 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

  • 复古回退：不确定世界中的合成规划

    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

  • 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

  • 学习规划化学合成

    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

  • 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

  • 基于神经引导 A * 搜索的回顾合成规划学习

    本文提出了一种基于神经网络的 A * 算法 Retro * 来高效地进行合成路径规划，在美国专利和商标局数据集上实验表明，我们的方法不仅成功率和解决方案质量均优于现有技术，而且效率更高。

    Jun, 2020