論文の概要: Predicting the Stereoselectivity of Chemical Transformations by Machine Learning

• arxiv url: http://arxiv.org/abs/2110.05671v1
• Date: Tue, 12 Oct 2021 01:21:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 14:34:50.986350
• Title: Predicting the Stereoselectivity of Chemical Transformations by Machine Learning
• Title（参考訳）: 機械学習による化学変換の立体選択性予測
• Authors: Justin Li, Dakang Zhang, Yifei Wang, Christopher Ye, Hao Xu, Pengyu Hong
• Abstract要約: 化学反応の立体選択性を定量的に予測するために、2つのガウス混合モデルを用いて、LASSOモデルと2つのランダムフォレストモデルを組み合わせた新しい機械学習手法を提案する。 近年の画期的なアプローチと比較して,本手法は特徴間の相互作用を捉え,データ分布を利用することが可能であり,立体選択性を予測する上で重要である。
• 参考スコア（独自算出の注目度）: 6.051631066475523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stereoselective reactions (both chemical and enzymatic reactions) have been essential for origin of life, evolution, human biology and medicine. Since late 1960s, there have been numerous successes in the exciting new frontier of asymmetric catalysis. However, most industrial and academic asymmetric catalysis nowadays do follow the trial-and-error model, since the energetic difference for success or failure in asymmetric catalysis is incredibly small. Our current understanding about stereoselective reactions is mostly qualitative that stereoselectivity arises from differences in steric effects and electronic effects in multiple competing mechanistic pathways. Quantitatively understanding and modulating the stereoselectivity of for a given chemical reaction still remains extremely difficult. As a proof of principle, we herein present a novel machine learning technique, which combines a LASSO model and two Random Forest model via two Gaussian Mixture models, for quantitatively predicting stereoselectivity of chemical reactions. Compared to the recent ground-breaking approach [1], our approach is able to capture interactions between features and exploit complex data distributions, which are important for predicting stereoselectivity. Experimental results on a recently published dataset demonstrate that our approach significantly outperform [1]. The insight obtained from our results provide a solid foundation for further exploration of other synthetically valuable yet mechanistically intriguing stereoselective reactions.
• Abstract（参考訳）: 立体選択的反応(化学反応と酵素反応の両方)は生命の起源、進化、人間生物学、医学に必須である。 1960年代後半から、非対称触媒のエキサイティングな新しいフロンティアで多くの成功があった。 しかし、今日では非対称触媒における成功や失敗のエネルギー差は驚くほど小さいため、ほとんどの産業用および学術用非対称触媒は試行錯誤モデルに従っている。 立体選択的反応に関する現在の理解は、立体選択性は、複数の競合する力学経路における立体効果と電子効果の違いから生じると定性的である。 化学反応の立体選択性を定量的に理解し、調節することは依然として非常に難しい。 本稿では2つのガウス混合モデルを用いてLASSOモデルと2つのランダムフォレストモデルを組み合わせて化学反応の立体選択性を定量的に予測する新しい機械学習手法を提案する。 最近の画期的なアプローチ [1] と比較して、我々のアプローチは特徴間のインタラクションをキャプチャし、複雑なデータ分布を利用することができます。 最近発表されたデータセットの実験結果から,我々のアプローチは[1]よりも有意に優れていた。 この結果から得られた知見は, 立体選択的反応を生かした, 合成に価値はあるが機械的に興味深い他の化合物のさらなる探索の基礎となる。

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)
• Beyond Major Product Prediction: Reproducing Reaction Mechanisms with Machine Learning Models Trained on a Large-Scale Mechanistic Dataset [10.968137261042715]
  有機反応の機械的理解は、反応の発生、不純物予測、そして原則として反応発見を促進する。 いくつかの機械学習モデルは、反応生成物を予測するタスクに対処しようとしているが、反応機構を予測するための拡張は、対応する力学データセットの欠如によって妨げられている。 実験によって報告された反応物質と生成物の中間体を専門家の反応テンプレートを用いて入力し、その結果の5,184,184個の基本ステップに基づいて機械学習モデルを訓練することにより、そのようなデータセットを構築する。
  論文  参考訳（メタデータ） (2024-03-07T15:26:23Z)
• 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)
• Holistic chemical evaluation reveals pitfalls in reaction prediction models [0.3065062372337749]
  本稿では, より総合的な評価をめざして, 現状のアプローチに基づく新たな評価手法を提案する。 ChoRISOは、化学的に関連するシナリオを再現するために、複数の調整された分割と共に、キュレートされたデータセットである。 私たちの研究は、最終的に化学発見を加速できる堅牢な予測モデルへの道を開いた。
  論文  参考訳（メタデータ） (2023-12-14T14:54:28Z)
• Machine Learning for Polaritonic Chemistry: Accessing chemical kinetics [0.0]
  我々は、密度汎関数理論計算と分子動力学を用いて訓練された機械学習(ML)モデルの組み合わせに基づく枠組みを確立する。 我々は, 1-フェニル-2-トリメチルシリルアセチレンの脱保護反応における強結合, 反応速度定数の変化, エンタルピーおよびエントロピーへの影響を評価した。 我々は、特に運動学の変化に関して、批判的な実験的な観察と質的な一致を見いだす一方で、過去の理論的予測との違いも見いだす。
  論文  参考訳（メタデータ） (2023-11-16T10:08:44Z)
• Beyond the Typical: Modeling Rare Plausible Patterns in Chemical Reactions by Leveraging Sequential Mixture-of-Experts [42.9784548283531]
  TransformerやVAEのような生成モデルは一般的に反応生成物を予測するために使用される。 反応物と電子再分配パターンのマッピング空間を分割・分散的に整理することを提案する。
  論文  参考訳（メタデータ） (2023-10-07T03:18:26Z)
• Sensing of magnetic field effects in radical-pair reactions using a quantum sensor [50.591267188664666]
  特定の化学反応における磁場効果(MFE)は、過去50年間によく確立されてきた。 我々は、局所的なスピン環境とセンサーとの結合を考慮して、ラジカル対の精巧で現実的なモデルを採用する。 2つのモデル系に対して、ラジカル対とNV量子センサの弱い結合状態においても検出可能なMFEの信号を導出する。
  論文  参考訳（メタデータ） (2022-09-28T12:56:15Z)
• 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)
• Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation [70.97737157902947]
  現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
  論文  参考訳（メタデータ） (2022-01-02T12:33:10Z)
• Quantitative Prediction on the Enantioselectivity of Multiple Chiral Iodoarene Scaffolds Based on Whole Geometry [4.042350304426974]
  名前反応におけるキラル触媒の反応範囲を拡張するための予測ワークフローを提案する。 複数の触媒足場の3D構造を最適化したDFTから全ジオメトリディスクリプタをエンコードした。 アンサンブルモデルのコンセンサス予測のために、このグローバルディスクリプタは、ステリモールパラメータおよび非共有相互作用と比較することができる。
  論文  参考訳（メタデータ） (2021-03-25T20:08:56Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。