Sep, 2023

节点对齐的图生成器用于合成反应预测

PDF
TL;DR单步逆向合成是有机化学和药物设计中的关键任务，计算辅助合成规划的出现使得使用机器学习技术促进该过程的兴趣日益增长。我们提出的 NAG2G 方法，也是一种基于 Transformer 的无模板模型，但利用了二维分子图和三维构象信息，同时简化了生成物 - 反应物原子映射对齐的加入，通过利用节点对齐确定节点生成的特定顺序，并以节点为单位以自回归的方式生成分子图，这确保了节点生成顺序与输入图中的节点顺序一致，克服了以自回归方式确定特定节点生成顺序的困难。我们广泛的基准测试结果表明，提出的 NAG2G 在各种指标上能够超越先前的最先进基线。
single-step retrosynthesiscomputer-aided synthesis planningmachine-learning techniquestransformer structuresmolecular graphs
发现论文，激发创造
  • 一种基于图形的框架用于反合成预测

    本文提出了一种基于分子图转换的无模板逆合成预测方法 G2Gs，可以将一个目标分子图转化为一组反应物分子图，通过识别反应中心将目标分子图分解为一组合成子，再通过图形翻译技术将它们转化为反应物图。实验结果表明，G2Gs 的表现接近于最先进的基于模板的方法，且不需要领域知识且更加可扩展。

    Mar, 2020

  • UAlign：无模板反合成预测的极限推动与无监督 SMILES 对齐

    本文介绍了 UAlign，一种无模板的图序列化逆合成预测方法，通过结合图神经网络和 Transformer，更有效地利用了分子的内在图结构。基于化学反应过程中大部分分子结构保持不变的事实，我们提出了一种简单而有效的 SMILES 对齐技术，以促进未改变结构在反应物生成中的重复利用。大量实验表明，我们的方法明显优于最先进的无模板和半模板方法。重要的是，我们的无模板方法在效果上可与甚至超过已建立的强大的模板方法相媲美。

    Mar, 2024

  • 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

  • 基于 (超) 图搜索的逆向合成预测

    该研究提出了一种基于半模板的方法，即 RetroSiG 框架，用于预测复杂反应，并通过反应中心的识别和离去基团的完善任务来搜索产物分子图和离去基团超图，以此来缓解现有方法中的限制。

    Feb, 2024

  • G-MATT：使用分子图文法树转换器进行单步反合成预测

    提出了一种基于树 - 序列转换器模型和 SMILES 语法树的复合模型 - G-MATT，该模型创新性地结合了数据驱动模型和化学知识，能够显著改善传统预测指标，并在保留了化学知识的同时避免了过于复杂的模型架构。

    May, 2023

  • 分层图到图分子翻译

    本文重点研究了药物发现方面的自动优化工具，并且提出了一种基于图像及其翻译方法的分子优化技术，利用其原子级编码和自回归图形解码器解决分子结构中的多个技术挑战。同时，我们的模型在多项任务中显著优于现有的基准模型。

    Jun, 2019

  • 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

  • 分子编辑图注意力网络：将化学反应建模为图编辑序列

    MEGAN 是一种基于神经网络的模型，能够预测化学反应的多样化结果并在遇到额外约束时提出可行的替代反应。该模型能够表述反应为一系列的图编辑，实现端到端的反应预测，从而在大型数据集上达到了最新成果。

    Jun, 2020

  • 大型图中节点分类的带邻域增强的标记图变换器

    本研究提出了一种称为邻域聚合图变换器（NAGphormer）的方法，用于处理大规模图数据，它将每个节点视为一个序列，每个序列包含一系列通过 Hop2Token 模块构建的标记。NAGphormer 通过从不同跳的邻域特征进行聚合，生成一系列标记向量作为输入，能够以 mini-batch 的方式进行训练，并能够比图神经网络更好地学习多跳邻域的节点表示。研究同时提出了一种名为 Neighborhood Augmentation 的新型数据增强方法，以同时增强全局邻域和局部邻域的特征，进一步提高 NAGphormer 的训练效果。实验证明，NAGphormer 优于现有的图变换器和主流图神经网络，并且 NrAug 对 NAGphormer 进一步提升作用显著。

    May, 2023

  • LAGr: 标签对齐图提升语义解析的系统化泛化能力

    本文提出 LAGr 模型，通过预测多层输入对齐图的节点和边标签，达到以图形而不是序列的形式直接生成意义表征，从而取得较 seq2seq 模型更好的系统化概括效果。

    May, 2022