Mar, 2024

UAlign：无模板反合成预测的极限推动与无监督 SMILES 对齐

PDF
TL;DR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。
发现论文，激发创造
  • 无模板模型的自动逆向合成路径规划

    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

  • G-MATT：使用分子图文法树转换器进行单步反合成预测

    提出了一种基于树 - 序列转换器模型和 SMILES 语法树的复合模型 - G-MATT，该模型创新性地结合了数据驱动模型和化学知识，能够显著改善传统预测指标，并在保留了化学知识的同时避免了过于复杂的模型架构。

    May, 2023

  • 节点对齐的图生成器用于合成反应预测

    单步逆向合成是有机化学和药物设计中的关键任务，计算辅助合成规划的出现使得使用机器学习技术促进该过程的兴趣日益增长。我们提出的 NAG2G 方法，也是一种基于 Transformer 的无模板模型，但利用了二维分子图和三维构象信息，同时简化了生成物 - 反应物原子映射对齐的加入，通过利用节点对齐确定节点生成的特定顺序，并以节点为单位以自回归的方式生成分子图，这确保了节点生成顺序与输入图中的节点顺序一致，克服了以自回归方式确定特定节点生成顺序的困难。我们广泛的基准测试结果表明，提出的 NAG2G 在各种指标上能够超越先前的最先进基线。

    Sep, 2023

  • 高效准确的反应预测的分子编辑模板

    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

  • 使用自校正变压器神经网络预测回溯合成反应

    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

  • 学习制作具有普适性和多样性的回溯合成预测

    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

  • 一种基于图形的框架用于反合成预测

    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

  • 分子变压器 - 一种用于化学反应不确定性校准的模型

    本文旨在提高有机合成中的反应预测的准确性，通过使用多头注意力分子变压器模型，能够在保持普适性的基础上，取得 90% 以上的前 1 准确率和 89% 的准确的不确定性估计得分，而无需手工制定规则。

    Nov, 2018

  • 基于 (超) 图搜索的逆向合成预测

    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

  • SMILES Transformer: 面向低数据药物发现的预训练分子指纹

    本文介绍了一种基于 SMILES Transformer 的分子指纹预测方法，该方法在虚拟筛选和其他药物发现任务中表现出优越性，在小数据集和复杂分析环境中表现良好。

    Nov, 2019