通过对易变去混噪器的松弛要求，我们提出了一种新的去混噪器，最大限度地提高了反合成模型的表达能力和适用性。在 USPTO-50k 数据集上，我们的新模型实现了最高的 top-1 准确率（54.7%），同时在小扩散步数的情况下展示了灵活的后期训练条件和优质的样本质量，突显了交互式应用和多步规划的额外控制的潜力。
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。
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
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
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
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
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
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