論文の概要: RetCL: A Selection-based Approach for Retrosynthesis via Contrastive
Learning
- arxiv url: http://arxiv.org/abs/2105.00795v1
- Date: Mon, 3 May 2021 12:47:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 13:56:59.659039
- Title: RetCL: A Selection-based Approach for Retrosynthesis via Contrastive
Learning
- Title(参考訳): RetCL:コントラスト学習による再合成のための選択的アプローチ
- Authors: Hankook Lee, Sungsoo Ahn, Seung-Woo Seo, You Young Song, Sung-Ju
Hwang, Eunho Yang, Jinwoo Shin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 107.64562550844146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrosynthesis, of which the goal is to find a set of reactants for
synthesizing a target product, is an emerging research area of deep learning.
While the existing approaches have shown promising results, they currently lack
the ability to consider availability (e.g., stability or purchasability) of the
reactants or generalize to unseen reaction templates (i.e., chemical reaction
rules). In this paper, we propose a new approach that mitigates the issues by
reformulating retrosynthesis into a selection problem of reactants from a
candidate set of commercially available molecules. To this end, we design an
efficient reactant selection framework, named RetCL (retrosynthesis via
contrastive learning), for enumerating all of the candidate molecules based on
selection scores computed by graph neural networks. For learning the score
functions, we also propose a novel contrastive training scheme with hard
negative mining. Extensive experiments demonstrate the benefits of the proposed
selection-based approach. For example, when all 671k reactants in the USPTO
{database} are given as candidates, our RetCL achieves top-1 exact match
accuracy of $71.3\%$ for the USPTO-50k benchmark, while a recent
transformer-based approach achieves $59.6\%$. We also demonstrate that RetCL
generalizes well to unseen templates in various settings in contrast to
template-based approaches.
- Abstract(参考訳): レトロシンセシス(retro synthesis)は、ターゲットプロダクトを合成するための一連の反応物質を見つけることを目的としているが、ディープラーニングの新たな研究分野である。
既存のアプローチは有望な結果を示しているが、現在は反応剤の可利用性(安定性や購入性など)や、目に見えない反応テンプレート(化学反応規則)に一般化する能力が欠けている。
本稿では, 市販分子の候補集合からの反応物質の選択問題にレトロ合成を再構成することで, 問題を緩和する新しいアプローチを提案する。
そこで我々は,グラフニューラルネットワークによって計算された選択スコアに基づいて,全ての候補分子を列挙するretcl(retro synthesis via contrastive learning)という効率的な反応剤選択フレームワークを設計した。
また,スコア関数を学習するために,ハード・ネガティブ・マイニングを用いた新しいコントラスト・トレーニング・スキームを提案する。
広範な実験により,提案手法の利点が示された。
例えば、USPTO {database} の 671k 反応体が候補として与えられると、我々の RetCL は USPTO-50k ベンチマークで 711.3 % の正確な一致精度を、最近の変換器ベースのアプローチでは59.6 % の精度で達成する。
また、テンプレートベースのアプローチとは対照的に、RetCLはさまざまな設定で目に見えないテンプレートによく一般化することを示した。
関連論文リスト
- RetroGFN: Diverse and Feasible Retrosynthesis using GFlowNets [8.308430428140413]
単段階の逆合成は、標的分子の生成につながる一連の反応を予測することを目的としている。
本稿では,限られたデータセットの外部を探索し,多様な実行可能な反応を返却できる新しいモデルRetroGFNを提案する。
RetroGFNは,既存のラウンドトリップ精度の手法よりも高い性能を保ちながら,標準的なトップk精度で競合する結果が得られることを示す。
論文 参考訳(メタデータ) (2024-06-26T20:10:03Z) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-01-31T07:40:37Z) - Retrosynthesis Prediction with Local Template Retrieval [112.23386062396622]
特定の標的分子の反応を予測する再合成は、薬物発見に必須の課題である。
本稿では,局所的な反応テンプレート検索手法であるRetroKNNを紹介する。
我々は、広く使われている2つのベンチマーク、USPTO-50KとUSPTO-MITで包括的な実験を行う。
論文 参考訳(メタデータ) (2023-06-07T03:38:03Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳(メタデータ) (2022-08-22T06:40:13Z) - RetroComposer: Discovering Novel Reactions by Composing Templates for
Retrosynthesis Prediction [63.14937611038264]
本稿では,テンプレート以外の新しいテンプレートを構築可能な,革新的な再合成予測フレームワークを提案する。
実験結果から,USPTO-50Kデータセットにおいて,328個のテスト反応のためのテンプレートを新たに作成できることが示唆された。
論文 参考訳(メタデータ) (2021-12-20T05:57:07Z) - Data Transfer Approaches to Improve Seq-to-Seq Retrosynthesis [1.6449390849183363]
再合成は、化学反応によって与えられた生成物化合物を合成するために反応化合物を推測する問題である。
レトロ合成に関する最近の研究は、より洗練された予測モデルの提案に焦点を当てている。
モデルをフィードするデータセットは、最高の一般化モデルを達成する上でも重要な役割を果たす。
論文 参考訳(メタデータ) (2020-10-02T05:27:51Z) - A Bayesian algorithm for retrosynthesis [3.1092085121563526]
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。
論文 参考訳(メタデータ) (2020-03-06T13:30:30Z) - 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。