論文の概要: A Bayesian algorithm for retrosynthesis

• arxiv url: http://arxiv.org/abs/2003.03190v1
• Date: Fri, 6 Mar 2020 13:30:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 01:01:41.531043
• Title: A Bayesian algorithm for retrosynthesis
• Title（参考訳）: 再合成のためのベイズアルゴリズム
• Authors: Zhongliang Guo and Stephen Wu and Mitsuru Ohno and Ryo Yoshida
• Abstract要約: 本研究は、所望の分子から市販化合物への合成経路を後方に発見することを目的とする。 深層ニューラルネットワークは、与えられた反応物の生成物を高い精度で前方に予測するように訓練される。 後方モデルを用いて, モンテカルロ探索を用いて, 与えられた合成ターゲットに終止符を打つ多種多様な反応系列を網羅的に探索した。
• 参考スコア（独自算出の注目度）: 3.1092085121563526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The identification of synthetic routes that end with a desired product has been an inherently time-consuming process that is largely dependent on expert knowledge regarding a limited fraction of the entire reaction space. At present, emerging machine-learning technologies are overturning the process of retrosynthetic planning. The objective of this study is to discover synthetic routes backwardly from a given desired molecule to commercially available compounds. The problem is reduced to a combinatorial optimization task with the solution space subject to the combinatorial complexity of all possible pairs of purchasable reactants. We address this issue within the framework of Bayesian inference and computation. The workflow consists of two steps: a deep neural network is trained that forwardly predicts a product of the given reactants with a high level of accuracy, following which this forward model is inverted into the backward one via Bayes' law of conditional probability. Using the backward model, a diverse set of highly probable reaction sequences ending with a given synthetic target is exhaustively explored using a Monte Carlo search algorithm. The Bayesian retrosynthesis algorithm could successfully rediscover 80.3% and 50.0% of known synthetic routes of single-step and two-step reactions within top-10 accuracy, respectively, thereby outperforming state-of-the-art algorithms in terms of the overall accuracy. Remarkably, the Monte Carlo method, which was specifically designed for the presence of diverse multiple routes, often revealed a ranked list of hundreds of reaction routes to the same synthetic target. We investigated the potential applicability of such diverse candidates based on expert knowledge from synthetic organic chemistry.
• Abstract（参考訳）: 望ましい生成物で終わる合成経路の同定は本質的に時間を要するプロセスであり、反応空間全体の限られた割合に関する専門家の知識に大きく依存している。 現在、新しい機械学習技術は、再合成計画のプロセスを覆している。 本研究の目的は、所望の分子から市販化合物への合成経路を後方に発見することである。 この問題は、全ての可購入性反応剤の組合せのコンビナトリアルな複雑さによる解空間との組合せ最適化タスクに還元される。 我々はベイズ推論と計算の枠組みの中でこの問題に対処する。 このワークフローは2つのステップから構成される: ディープニューラルネットワークは、与えられた反応体の積を高いレベルの精度で前方に予測するように訓練され、その後、ベイズの条件付き確率の法則を介して、このフォワードモデルを後方に反転させる。 後方モデルを用いて, モンテカルロ探索アルゴリズムを用いて, 任意の合成対象で終わる高確率反応列の多種多様な集合を徹底的に探索する。 ベイズ逆合成アルゴリズムは、top-10の精度で、既知の合成経路の80.3%と50.0%を再発見し、全体の精度で最先端のアルゴリズムを上回った。 興味深いことに、モンテカルロ法は多種多様な経路の存在を念頭に設計されており、同じ合成目標に対する数百の反応経路のリストがしばしば示された。 本研究は, 有機化学の専門知識に基づいて, 多様な候補の応用可能性について検討した。

関連論文リスト

• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Retro-prob: Retrosynthetic Planning Based on a Probabilistic Model [5.044138778500218]
  再合成は有機化学の基本的だが挑戦的な課題である。 標的分子を与えられた後生合成の目標は、合成経路に組み立てられる一連の反応を見つけることである。 本稿では,標的分子の合成確率を最大化するために,retro-probと呼ばれる新しい逆合成計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:23:40Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)
• Bayesian Sequential Stacking Algorithm for Concurrently Designing Molecules and Synthetic Reaction Networks [11.787915018281897]
  単段反応を構築することで合成反応ネットワークを逐次設計する強力なモンテカルロアルゴリズムを提案する。 市販化合物を原料とした薬物様分子の設計事例において, 提案手法は計算効率と適用範囲において圧倒的な性能を示した。
  論文  参考訳（メタデータ） (2022-03-01T14:55:32Z)
• ChemiRise: a data-driven retrosynthesis engine [19.52621175562223]
  ケミリゼは、有機化合物を迅速かつ確実に再合成する完全な経路を提案することができる。 システムは300万以上の有機反応を処理した特許データベース上で訓練された。
  論文  参考訳（メタデータ） (2021-08-09T05:13:14Z)
• RetCL: A Selection-based Approach for Retrosynthesis via Contrastive Learning [107.64562550844146]
  レトロシンセシスは深層学習の新たな研究分野である。 本稿では, 市販分子の候補群から, 反応物質の選択問題へとレトロシンセシスを再構成する新しいアプローチを提案する。 スコア機能を学ぶために、ハードネガティブマイニングを備えた新しいコントラストトレーニングスキームも提案します。
  論文  参考訳（メタデータ） (2021-05-03T12:47:57Z)
• 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)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  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。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。