論文の概要: A Graph to Graphs Framework for Retrosynthesis Prediction
- arxiv url: http://arxiv.org/abs/2003.12725v3
- Date: Fri, 20 Aug 2021 03:14:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 23:29:15.706675
- Title: A Graph to Graphs Framework for Retrosynthesis Prediction
- Title(参考訳): graph to graphsフレームワークによる再合成予測
- Authors: Chence Shi, Minkai Xu, Hongyu Guo, Ming Zhang, Jian Tang
- Abstract要約: 計算化学における基本的な問題は、標的分子を合成する反応剤の集合を見つけることである。
本稿では, 標的分子グラフを反応分子グラフの集合に変換することにより, G2Gsと呼ばれる新しいテンプレートフリーアプローチを提案する。
G2Gsは、トップ1の精度で既存のテンプレートフリーアプローチを最大63%上回っている。
- 参考スコア(独自算出の注目度): 42.99048270311063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A fundamental problem in computational chemistry is to find a set of
reactants to synthesize a target molecule, a.k.a. retrosynthesis prediction.
Existing state-of-the-art methods rely on matching the target molecule with a
large set of reaction templates, which are very computationally expensive and
also suffer from the problem of coverage. In this paper, we propose a novel
template-free approach called G2Gs by transforming a target molecular graph
into a set of reactant molecular graphs. G2Gs first splits the target molecular
graph into a set of synthons by identifying the reaction centers, and then
translates the synthons to the final reactant graphs via a variational graph
translation framework. Experimental results show that G2Gs significantly
outperforms existing template-free approaches by up to 63% in terms of the
top-1 accuracy and achieves a performance close to that of state-of-the-art
template based approaches, but does not require domain knowledge and is much
more scalable.
- Abstract(参考訳): 計算化学における基本的な問題は、標的分子、すなわちレトロ合成予測を合成する反応剤の集合を見つけることである。
既存の最先端の手法は、ターゲット分子と大量の反応テンプレートのマッチングに依存しているが、計算コストが非常に高く、カバレッジの問題も抱えている。
本稿では,標的分子グラフを反応分子グラフの集合に変換することにより,G2Gsと呼ばれるテンプレートフリーな手法を提案する。
G2Gsはまず反応中心を同定し、標的となる分子グラフを一連のシンソンに分割し、その後変分グラフ変換フレームワークを介して最終反応グラフに変換する。
実験結果から,G2Gsは従来のテンプレートフリーアプローチを最大63%向上させ,最先端のテンプレートベースアプローチに近い性能を実現するが,ドメイン知識は必要とせず,はるかにスケーラブルであることがわかった。
関連論文リスト
- Node-Aligned Graph-to-Graph Generation for Retrosynthesis Prediction [13.471174622937943]
単段階のレトロ合成は有機化学や医薬品設計において重要な課題であり、特定の化合物を合成するのに必要な反応物質を同定する必要がある。
既存のテンプレートのない機械学習ベースのモデルは、典型的にはトランスフォーマー構造を使用し、分子をIDシーケンスとして表現する。
提案手法であるノードアラインドグラフ (NAG2G) もトランスフォーマーベースのテンプレートフリーモデルとして機能するが、2次元分子グラフと3次元情報を利用する。
論文 参考訳(メタデータ) (2023-09-27T17:16:32Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳(メタデータ) (2023-06-02T15:49:45Z) - 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) - G2GT: Retrosynthesis Prediction with Graph to Graph Attention Neural
Network and Self-Training [0.0]
再合成予測は有機化学および関連分野における基本的な課題の1つである。
本稿では,グラフエンコーダとグラフデコーダを標準トランス構造上に構築した新しいグラフ-グラフ変換モデルG2GTを提案する。
本稿では,データ拡張手法である自己学習が,モデルの性能を著しく向上させることを示す。
論文 参考訳(メタデータ) (2022-04-19T01:55:52Z) - 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) - 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) - 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。