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

本研究提出一种 RetroKNN 方法， 该方法是一种基于机器学习的本地反应模板检索方法， 结合了神经网络预测和最近邻检索， 可以用于分子逆合成， 在 USPTO 数据集上取得了较好的结果。

Jun, 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

通过使用 Transformer 神经网络架构的自校正回溯合成预测器 (SCROP)，我们将回溯合成规划转化为反应物和产物的分子线性符号之间的机器翻译问题，并结合基于神经网络的语法校正器，在标准基准数据集上实现了 59% 的准确性，比其他深度学习方法提高了 21% 以上，比基于模板的方法提高了 6% 以上。最重要的是，对于训练集中未出现的化合物，我们方法的准确性比其他最先进的方法提高了 1.7 倍。

Jul, 2019

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

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

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

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

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