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
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
本文提出把反合成建模为马尔可夫决策过程,并结合深度神经网络策略和蒙特卡罗树搜索算法,表现比传统手工启发式算法更好。
Jan, 2017
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
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
本研究提出了一种基于增强学习框架的新型前向合成模型 (PGFS),可以解决化学分子结构的可合成性和合成路线问题,该模型可以为机器学习的药物设计提供一个有挑战性的基础测试平台。
Apr, 2020
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
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
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