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

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

本文是首篇对计算化学中反应和逆合成预测采用深度学习模型的应用进行综述，从设计机制、优势和弱点等多方面给出了全面系统的调查结论，并提出了当前解决方案的局限性和问题，最后探讨了未来研究的发展方向。

Jun, 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

使用机器学习技术，采用 Bayesian 推理和蒙特卡罗搜索算法，逆向发现了合成路线，能够以较高的准确率运用于合成有机化学方面。

Mar, 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

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

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

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