論文の概要: Learning Graph Models for Retrosynthesis Prediction
- arxiv url: http://arxiv.org/abs/2006.07038v2
- Date: Fri, 4 Jun 2021 14:33:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 02:40:22.289449
- Title: Learning Graph Models for Retrosynthesis Prediction
- Title（参考訳）: 再合成予測のためのグラフモデル学習
- Authors: Vignesh Ram Somnath, Charlotte Bunne, Connor W. Coley, Andreas Krause,
Regina Barzilay
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 90.15523831087269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrosynthesis prediction is a fundamental problem in organic synthesis,
where the task is to identify precursor molecules that can be used to
synthesize a target molecule. A key consideration in building neural models for
this task is aligning model design with strategies adopted by chemists.
Building on this viewpoint, this paper introduces a graph-based approach that
capitalizes on the idea that the graph topology of precursor molecules is
largely unaltered during a chemical reaction. The model first predicts the set
of graph edits transforming the target into incomplete molecules called
synthons. Next, the model learns to expand synthons into complete molecules by
attaching relevant leaving groups. This decomposition simplifies the
architecture, making its predictions more interpretable, and also amenable to
manual correction. Our model achieves a top-1 accuracy of $53.7\%$,
outperforming previous template-free and semi-template-based methods.
- Abstract（参考訳）: 逆合成予測は有機合成における根本的な問題であり、標的分子の合成に使用できる前駆体分子を同定することが課題である。
このタスクのためのニューラルモデルを構築する上で重要な考慮事項は、モデル設計と化学者が採用した戦略の整合である。
この観点から,前駆体分子のグラフトポロジーは化学反応において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。
このモデルはまず、ターゲットを合成子と呼ばれる不完全な分子に変換するグラフ編集のセットを予測する。
次に、モデルが関連する離脱基をアタッチすることで合成を完全な分子に拡張することを学ぶ。
この分解はアーキテクチャを単純化し、その予測をより解釈可能とし、手作業による修正も可能である。
このモデルは、以前のテンプレートフリーおよびセミテンプレートベースメソッドよりも優れた53.7\%$のtop-1精度を達成している。
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) - 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) - 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) - Conditional Constrained Graph Variational Autoencoders for Molecule
Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。
分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文 参考訳（メタデータ） (2020-09-01T21:58:07Z) - 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) - A Graph to Graphs Framework for Retrosynthesis Prediction [42.99048270311063]
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。
論文 参考訳（メタデータ） (2020-03-28T06:16:56Z) - 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。