超越主要产品预测：基于大规模机制数据集训练的机器学习模型再现反应机理

Mar, 2024

超越主要产品预测：基于大规模机制数据集训练的机器学习模型再现反应机理

Beyond Major Product Prediction: Reproducing Reaction Mechanisms with Machine Learning Models Trained on a Large-Scale Mechanistic Dataset

PDF

Joonyoung F. Joung, Mun Hong Fong, Jihye Roh, Zhengkai Tu, John Bradshaw...

TL;DR通过机理模型，我们可以预测反应产物、发现新反应，并预测杂质。本研究构建了一个数据集，通过专家反应模板在实验报告的反应物和产物之间填补中间体，然后使用机器学习模型对该数据集进行训练。我们探索了模型的性能和能力，特别关注其预测反应途径以及催化剂和试剂的作用。此外，机理模型在预测杂质方面具有潜力，这通常被传统模型所忽视。最后，我们评估了机理模型在新的反应类型上的推广能力，并揭示了数据集多样性、连续预测和原子守恒违规方面的挑战。

Abstract

mechanistic understanding of organic reactions can facilitate reaction development, impurity prediction, and in principle, reaction discovery. While several machine learning models have sought to address the task

mechanistic understanding machine learning models reaction prediction reaction mechanisms impurities

发现论文，激发创造

可解释化化学的人工智能：通过对比学习预测自由基机理途径

使用机械途径与对比学习相结合的新反应预测系统 RMechRP，在自由基反应领域提供不同层次的化学反应解释，并在大气化学等各种应用中展现了准确且可解释的自由基反应预测的潜力。

Nov, 2023

翻译中的发现”：使用神经序列到序列模型预测复杂有机化学反应的结果

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

有机化学反应预测的神经网络

利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

Aug, 2016

深度学习在反应和追溯合成预测中的统一视图：现状与未来挑战

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

全面化学评估揭示反应预测模型中的陷阱

化学反应预测是近年来机器学习领域引起了重大关注的问题，由于其复杂性及在化学领域中的关键应用。然而，此任务的模型评估往往仅局限于像 top-k 准确度这样的简单度量标准，忽略了模型局限性的细微细节。我们提出了一种新的评估方案，基于现有方法，并朝着更全面的评估目标进行改进。我们引入了一些关键组件，包括 CHORISO，一份经过策划的数据集以及多个定制拆分，以再现化学相关的情景，以及一系列度量标准，提供模型优势和局限性的全面视图。利用这种方法应用于当下最先进的模型，揭示了特异性和化学领域外普适性等敏感方面的重要差异。我们的工作为最终能够加速化学发现的强大预测模型铺平了道路。

Dec, 2023

神经序列到序列模型在反合成反应预测中的应用

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

化学动力学性质的超出分布通用预测方向

利用机器学习（ML）技术，本研究探索了化学动力学性质的估计。通过 “AI4drug discovery” 发现的药物分子为基础，下一步的关键是以人工智能驱动的设计高通量化学合成过程，并估计未知反应和未探索分子的性质。为此，对于动力学性质预测的现有 ML 方法需要具备 Out-Of-Distribution（OOD）的可推广性。本文将 OOD 动力学性质预测分为三个级别（结构，条件和机制），揭示了这些问题的独特方面。在这个框架下，我们创建了全面的数据集，用于评估（1）在 OOD 设置中用于反应预测的最新 ML 方法，以及（2）用于动力学性质预测问题的最新图形 OOD 方法。我们的结果展示了 OOD 动力学性质预测中的挑战和机遇。我们的数据集和基准可以进一步支持这一研究方向。

Oct, 2023

利用注意力机制神经网络绘制化学反应空间地图

通过使用基于变换器的模型，可以从不带注释的简单文本化学反应表示中推断出反应类别，并可用作反应指纹，其分类准确率达到了 98.2%，而且较之传统反应指纹更好地捕捉反应类别之间的差异。

Dec, 2020

从初始到最终状态的反应路径构建的生成模型

基于神经网络的方法通过迭代过程，根据初始状态的坐标生成了反应路径的近似表示和最终状态的坐标，适用于复杂的有机反应路径并能根据预设条件或随机方式生成反应。

Jan, 2024

学习独立的因果机制

通过模拟物理机制，我们开发出一种无监督学习的算法，能够从变换后的数据点中恢复出一组相互独立的机制，并且这些机制可以移植到新的领域中，对于迁移学习有重要的启示和应用。

Dec, 2017