論文の概要: Retrosynthesis Prediction with Conditional Graph Logic Network
- arxiv url: http://arxiv.org/abs/2001.01408v1
- Date: Mon, 6 Jan 2020 05:36:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 02:00:16.734037
- Title: Retrosynthesis Prediction with Conditional Graph Logic Network
- Title(参考訳): 条件付きグラフ論理ネットワークによる再合成予測
- Authors: Hanjun Dai, Chengtao Li, Connor W. Coley, Bo Dai, Le Song
- Abstract要約: コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
- 参考スコア(独自算出の注目度): 118.70437805407728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrosynthesis is one of the fundamental problems in organic chemistry. The
task is to identify reactants that can be used to synthesize a specified
product molecule. Recently, computer-aided retrosynthesis is finding renewed
interest from both chemistry and computer science communities. Most existing
approaches rely on template-based models that define subgraph matching rules,
but whether or not a chemical reaction can proceed is not defined by hard
decision rules. In this work, we propose a new approach to this task using the
Conditional Graph Logic Network, a conditional graphical model built upon graph
neural networks that learns when rules from reaction templates should be
applied, implicitly considering whether the resulting reaction would be both
chemically feasible and strategic. We also propose an efficient hierarchical
sampling to alleviate the computation cost. While achieving a significant
improvement of $8.1\%$ over current state-of-the-art methods on the benchmark
dataset, our model also offers interpretations for the prediction.
- Abstract(参考訳): 再合成は有機化学の基本的な問題の一つである。
タスクは、特定の生成物分子を合成するのに使用できる反応物質を特定することである。
近年,コンピュータ支援のレトロシンセシスが化学とコンピュータ科学のコミュニティから新たな関心を集めている。
既存のアプローチのほとんどは、サブグラフマッチングルールを定義するテンプレートベースのモデルに依存しているが、化学反応が進行できるかどうかは、厳しい決定ルールによって定義されていない。
本研究では,反応テンプレートからのルールをいつ適用すべきかを学習するグラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,反応が化学的に実現可能かつ戦略的であるかどうかを暗黙的に検討する。
また,計算コストを軽減できる効率的な階層的サンプリング手法を提案する。
ベンチマークデータセット上での現在の最先端メソッドよりも8.1\%の大幅な改善を実現する一方で、我々のモデルは予測の解釈も提供する。
関連論文リスト
- UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。
グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
論文 参考訳(メタデータ) (2024-03-25T03:23:03Z) - Molecule-Edit Templates for Efficient and Accurate Retrosynthesis
Prediction [0.16070833439280313]
最小限のテンプレートを用いて反応を予測する機械学習モデルMETROを紹介する。
標準ベンチマークで最先端の結果を得る。
論文 参考訳(メタデータ) (2023-10-11T09:00:02Z) - MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction [54.75583184356392]
本稿では,レトロシンセシス予測のための新しいエンドツーエンドグラフ生成モデルを提案する。
反応中心を逐次同定し、合成子を生成し、合成子にモチーフを加えて反応子を生成する。
ベンチマークデータセットの実験では、提案されたモデルが従来の最先端のアルゴリズムを大幅に上回っていることが示されている。
論文 参考訳(メタデータ) (2022-09-27T06:29:35Z) - Retroformer: Pushing the Limits of Interpretable End-to-end
Retrosynthesis Transformer [15.722719721123054]
再合成予測は有機合成の基本的な課題の1つである。
本稿では,レトロシンセシス予測のためのトランスフォーマーに基づく新しいアーキテクチャであるRetroformerを提案する。
Retroformerは、エンドツーエンドのテンプレートフリーレトロシンセシスのための新しい最先端の精度に達する。
論文 参考訳(メタデータ) (2022-01-29T02:03:55Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳(メタデータ) (2020-11-04T04:35:34Z) - Graph Neural Networks for the Prediction of Substrate-Specific Organic
Reaction Conditions [79.45090959869124]
有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。
実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
論文 参考訳(メタデータ) (2020-07-08T17:21:00Z) - Molecule Edit Graph Attention Network: Modeling Chemical Reactions as
Sequences of Graph Edits [0.0]
本稿では,エンド・ツー・エンドのエンコーダ・デコーダ・ニューラルモデルであるMEGAN(Moecule Edit Graph Attention Network)を提案する。
MEGANは、化学反応をグラフ編集のシーケンスとして表現するモデルにインスパイアされている。
我々は、このモデルを再合成予測(化学反応の産物から得られる基質を予測する)に拡張し、大規模なデータセットにスケールアップする。
論文 参考訳(メタデータ) (2020-06-27T18:50:24Z) - Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
再合成予測は有機合成の基本的な問題である。
本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。
提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
論文 参考訳(メタデータ) (2020-06-12T09:40:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。