本文研究了在化学领域中使用自然语言描述来增强预测模型。使用文献手动提取的大量结构化数据来训练化学信息模型是传统的方法。本文引入了一种新的方法 TextReact，该方法直接利用从文献中检索到的文本增强预测化学。TextReact 检索与给定化学反应相关的文本描述，然后将其与反应的分子表示进行对齐。通过在预测器训练中加入辅助的掩码语言模型目标，增强了这种对齐。我们通过两个化学任务进行了实证验证：反应条件推荐和一步逆合成。通过利用文本检索，TextReact 显著优于仅基于分子数据训练的最先进的化学信息模型。

Dec, 2023

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

METRO 是一种利用最小化模板预测化学反应的机器学习模型，通过简化反应模式以减少计算负担，从而在标准基准测试中取得最先进的结果。

Oct, 2023

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

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

分子 - 文本建模是一个新兴的研究方向，旨在通过文本界面和文本知识促进与分子相关的任务。针对单个分子之外，研究反应 - 文本建模对于帮助合成新材料和药物具有潜力，然而，以往的研究大多忽视了反应 - 文本建模。为了解决这些挑战，我们提出了一种新的预训练方法 ReactXT，用于反应 - 文本建模，并提供了一个新的数据集 OpenExp，用于实验过程预测。我们的方法在实验过程预测、分子字幕生成和逆向合成方面表现出一致的改进，并取得了竞争性的结果。

May, 2024

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

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