机器学习辅助的逆合成预测模型在标准基准测试上取得稳步进展，但在现实世界中应用于非分布（OOD）分子或反应时，其性能往往显著下降。本研究通过建立两组基准数据集，系统比较了先进的逆合成预测模型在分布转移下的性能，并提出了两种模型无关技术，经初步实验显示其有高潜力并平均性能提高 4.6％，从而为进一步面向 OOD 泛化的逆合成预测研究提供了基础。

Dec, 2023

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 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

该研究介绍了一种基于序列到序列模型的无模板反应预测方法，使用一种新型的可扩展标记方法，不涉及反应模板等辅助知识，达到了 80.1% 的准确率，其核心思想是运用语言学分析的思维方式来解决有机化学问题。

Nov, 2017

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

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

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

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