論文の概要: Molecule Edit Graph Attention Network: Modeling Chemical Reactions as
Sequences of Graph Edits
- arxiv url: http://arxiv.org/abs/2006.15426v2
- Date: Tue, 25 May 2021 10:49:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 07:42:05.398901
- Title: Molecule Edit Graph Attention Network: Modeling Chemical Reactions as
Sequences of Graph Edits
- Title（参考訳）: 分子編集グラフ注意ネットワーク:化学反応をグラフ編集のシーケンスとしてモデル化する
- Authors: Miko{\l}aj Sacha, Miko{\l}aj B{\l}a\.z, Piotr Byrski, Pawe{\l}
D\k{a}browski-Tuma\'nski, Miko{\l}aj Chromi\'nski, Rafa{\l} Loska, Pawe{\l}
W{\l}odarczyk-Pruszy\'nski, Stanis{\l}aw Jastrz\k{e}bski
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The central challenge in automated synthesis planning is to be able to
generate and predict outcomes of a diverse set of chemical reactions. In
particular, in many cases, the most likely synthesis pathway cannot be applied
due to additional constraints, which requires proposing alternative chemical
reactions. With this in mind, we present Molecule Edit Graph Attention Network
(MEGAN), an end-to-end encoder-decoder neural model. MEGAN is inspired by
models that express a chemical reaction as a sequence of graph edits, akin to
the arrow pushing formalism. We extend this model to retrosynthesis prediction
(predicting substrates given the product of a chemical reaction) and scale it
up to large datasets. We argue that representing the reaction as a sequence of
edits enables MEGAN to efficiently explore the space of plausible chemical
reactions, maintaining the flexibility of modeling the reaction in an
end-to-end fashion, and achieving state-of-the-art accuracy in standard
benchmarks. Code and trained models are made available online at
https://github.com/molecule-one/megan.
- Abstract（参考訳）: 自動合成計画における中心的な課題は、様々な化学反応の結果を生成および予測できることである。
特に、多くの場合、より可能性の高い合成経路は追加の制約のために適用できず、代替化学反応を提案する必要がある。
このことを念頭に,エンドツーエンドエンコーダ・デコーダニューラルモデルである分子編集グラフアテンションネットワーク(megan)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。
このモデルをレトロシンセシス予測(化学反応の産物を仮定した基質の予測)に拡張し、大規模データセットにスケールアップする。
我々は, 反応を編集のシーケンスとして表現することで, メガンは可能な化学反応の空間を効率的に探索でき, エンドツーエンドで反応をモデル化する柔軟性を保ち, 標準ベンチマークで最先端の精度を達成することができると主張している。
コードとトレーニングされたモデルはhttps://github.com/molecule-one/megan.comで公開されている。
関連論文リスト
- 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) - MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。
すべての候補原子と結合をノードとして扱い、それらをグラフ化する。
グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文 参考訳（メタデータ） (2023-08-23T16:16:11Z) - 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) - AI-driven Hypergraph Network of Organic Chemistry: Network Statistics
and Applications in Reaction Classification [0.0]
我々は、標準の反応データセットを使用してハイパーネットワークを構築し、その統計を報告する。
また、反応の等価なグラフ表現に対して各統計量を計算し、平行線を描画し、相違点を強調する。
ハイパーネットワーク表現は柔軟性があり、反応コンテキストを保持し、隠れた洞察を明らかにする。
論文 参考訳（メタデータ） (2022-08-02T14:12:03Z) - 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) - 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。