May, 2024

DirectMultiStep: 多步反应合成的直接路线生成

PDF
TL;DR传统计算辅助合成规划方法依赖于迭代单步预测，导致搜索空间呈指数增长，限制了效率和可扩展性。我们引入了一种基于 Transformer 模型的方法，通过有条件地基于所有前面的分子来预测每个分子，直接生成多步合成路线作为一个字符串。该模型适应了特定条件，如期望的步数和起始物质，在 PaRoutes 数据集上的表现优于现有方法，在 n$_1$ 测试集上的 Top-1 准确率提高了 2.2 倍，在 n$_5$ 测试集上提高了 3.3 倍。它还成功预测了训练数据中未包含的 FDA 批准药物的路线，展示了其泛化能力。尽管当前训练集的亚优多样性可能会影响对于不常见反应类型的性能，但我们的方法在实现全自动逆向合成规划方面显示了一个有希望的方向。
computer-aided synthesis planningtransformer-based modelmulti-step synthetic routestop-1 accuracyretrosynthetic planning
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

  • 模型的重要性：单步反合成对合成规划的影响

    化合物的追溯合成涉及将化合物逐步递归地分解为分子前体，直到找到一组商业可获得的分子为止，以提供合成路径。本研究结合了两个主要的研究方向，即单步追溯合成预测模拟化学反应逻辑和多步合成规划试图找到合适的反应序列，发现了高单步表现与寻找合成路线成功之间存在的断裂，并且示范了单步模型对多步合成规划整体成功率的重要影响。

    Aug, 2023

  • 一种基于贝叶斯算法的反合成化学方法

    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

  • 双值网络的逆合成规划

    利用强化学习提高基于机器学习的单步反应预测算法的搜索成功率和寻找更短的化合物合成路线。

    Jan, 2023

  • 学习规划化学合成

    研究者利用深度神经网络和 Monte Carlo Tree Search 相结合的方法，通过训练为所有有机化学反应提供未来的化合物转化路径，从而加速了药物和材料的发现，并启用完全自动的机器人合成。

    Aug, 2017

  • 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

  • RetroBridge: 基于 Markov Bridges 的 Retrosynthesis 建模

    化学中的逆合成规划是一项基本挑战，旨在从商业可获取的起始物质设计反应路径以达到目标分子。本文介绍了马尔可夫桥模型和 RetroBridge 这一无模板逆合成建模方法，它们在标准评估基准上取得了最先进的结果。

    Aug, 2023

  • 进化回溯合成路线规划

    分子逆合成是一个重要且复杂的化学问题，传统的手动合成方法不仅需要训练有素的专家，而且耗时，随着大数据和机器学习的发展，基于人工智能的逆合成引起了越来越多的关注，成为分子逆合成的有价值工具。我们提出了一种基于进化优化的逆合成路线规划的新方法，标志着进化算法在多步逆合成领域的首次应用。实验结果显示，相比于蒙特卡罗树搜索算法，进化优化算法显著减少了单步模型调用数量的平均值 53.9％，搜索三个解所需的时间平均减少了 83.9％，可行搜索路径数量增加了 5 倍。

    Oct, 2023

  • 经验引导的蒙特卡罗树搜索在反合成规划中的应用

    本文提出了一种名为 MCTS 的基于模拟退火算法的反合成规划方法，使用 Experience Guidance Network 从化学合成经验中学习知识，实现有效处理拥有巨大可能性的化学反应，实验结果证明在效率和功效上均优于现有研究成果。

    Dec, 2021

  • RetroGraph：基于图搜索的反合成规划

    提出了一种基于图形搜索的策略，消除了中间分子的冗余探索，并采用图神经网络引导搜索。同时，我们的方法可以同时搜索一批目标，并使用基于树的搜索方法删除树间重复。在两个数据集上的实验结果表明了我们方法的有效性。特别是在广泛使用的 USPTO 基准测试中，我们将搜索成功率提高到 99.47％，提高了 2.6 个百分点的先前最先进的性能。

    Jun, 2022