論文の概要: Amortized Tree Generation for Bottom-up Synthesis Planning and
Synthesizable Molecular Design
- arxiv url: http://arxiv.org/abs/2110.06389v1
- Date: Tue, 12 Oct 2021 22:43:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 04:44:36.602559
- Title: Amortized Tree Generation for Bottom-up Synthesis Planning and
Synthesizable Molecular Design
- Title(参考訳): ボトムアップ合成計画と合成可能な分子設計のための償却木生成
- Authors: Wenhao Gao, Roc\'io Mercado and Connor W. Coley
- Abstract要約: ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。
提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
- 参考スコア(独自算出の注目度): 2.17167311150369
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular design and synthesis planning are two critical steps in the process
of molecular discovery that we propose to formulate as a single shared task of
conditional synthetic pathway generation. We report an amortized approach to
generate synthetic pathways as a Markov decision process conditioned on a
target molecular embedding. This approach allows us to conduct synthesis
planning in a bottom-up manner and design synthesizable molecules by decoding
from optimized conditional codes, demonstrating the potential to solve both
problems of design and synthesis simultaneously. The approach leverages neural
networks to probabilistically model the synthetic trees, one reaction step at a
time, according to reactivity rules encoded in a discrete action space of
reaction templates. We train these networks on hundreds of thousands of
artificial pathways generated from a pool of purchasable compounds and a list
of expert-curated templates. We validate our method with (a) the recovery of
molecules using conditional generation, (b) the identification of synthesizable
structural analogs, and (c) the optimization of molecular structures given
oracle functions relevant to drug discovery.
- Abstract(参考訳): 分子設計と合成計画は、条件付き合成経路生成の単一の共有タスクとして定式化する分子発見のプロセスにおいて2つの重要なステップである。
ターゲット分子の埋め込みを条件としたマルコフ決定過程として合成経路を生成するための償却アプローチを報告する。
提案手法により,最適化された条件付き符号から復号化することで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
この手法はニューラルネットワークを利用して合成木を確率論的にモデル化し、反応テンプレートの離散的なアクション空間に符号化された反応規則に従って1回に1回反応する。
私たちはこれらのネットワークを、購入可能な化合物のプールと専門家によるテンプレートのリストから生成された数十万の人工経路でトレーニングします。
私たちは手法を検証します
(a)条件付き生成による分子の回復
b) 合成可能な構造的類似物の同定及び
c) 薬物発見に関連するオラクルの機能を与えられた分子構造の最適化。
関連論文リスト
- Models Matter: The Impact of Single-Step Retrosynthesis on Synthesis
Planning [0.8620335948752805]
再合成は、化学化合物を段階的に分子前駆体に分解する。
その2つの主要な研究方向、単段階の逆合成予測と多段階の合成計画は本質的に相互に絡み合っている。
単一ステップモデルを選択することで,合成計画の総合的な成功率を最大28%向上させることができることを示す。
論文 参考訳(メタデータ) (2023-08-10T12:04:47Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - Bayesian Sequential Stacking Algorithm for Concurrently Designing
Molecules and Synthetic Reaction Networks [11.787915018281897]
単段反応を構築することで合成反応ネットワークを逐次設計する強力なモンテカルロアルゴリズムを提案する。
市販化合物を原料とした薬物様分子の設計事例において, 提案手法は計算効率と適用範囲において圧倒的な性能を示した。
論文 参考訳(メタデータ) (2022-03-01T14:55:32Z) - 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) - Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement
Learning [1.4680035572775534]
本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。
このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
論文 参考訳(メタデータ) (2020-09-14T20:50:45Z) - Energy-based View of Retrosynthesis [70.66156081030766]
エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。
本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
論文 参考訳(メタデータ) (2020-07-14T18:51:06Z) - 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) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z) - 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。