論文の概要: Retrosynthetic Planning with Experience-Guided Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2112.06028v1
• Date: Sat, 11 Dec 2021 17:14:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 10:10:21.573152
• Title: Retrosynthetic Planning with Experience-Guided Monte Carlo Tree Search
• Title（参考訳）: 経験誘導モンテカルロ木探索による再合成計画
• Authors: Siqi Hong, Hankz Hankui Zhuo, Kebing Jin, Zhanwen Zhou
• Abstract要約: 再合成計画問題は、複雑な分子を分析し、単純な構造ブロックを用いて合成経路を与えることである。 現在のアプローチは、化学的知識が限られている人や機械で訓練されたスコア関数に依存している。 我々は、検索中に合成経験から知識を学ぶための体験誘導ネットワークを構築した。
• 参考スコア（独自算出の注目度）: 8.688578727646409
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Retrosynthetic planning problem is to analyze a complex molecule and give a synthetic route using simple building blocks. The huge number of chemical reactions leads to a combinatorial explosion of possibilities, and even the experienced chemists could not select the most promising transformations. The current approaches rely on human-defined or machine-trained score functions which have limited chemical knowledge or use expensive estimation methods such as rollout to guide the search. In this paper, we propose {\tt MCTS}, a novel MCTS-based retrosynthetic planning approach, to deal with retrosynthetic planning problem. Instead of exploiting rollout, we build an Experience Guidance Network to learn knowledge from synthetic experiences during the search. Experiments on benchmark USPTO datasets show that, our {\tt MCTS} gains significant improvement over state-of-the-art approaches both in efficiency and effectiveness.
• Abstract（参考訳）: 再合成計画問題は、複雑な分子を分析し、単純な構造ブロックを用いて合成経路を与えることである。 膨大な数の化学反応が組み合わさった可能性の爆発を引き起こし、経験豊富な化学者でさえ最も有望な変換を選択できなかった。 現在のアプローチでは、化学的知識が限られている人や機械で訓練されたスコア関数や、ロールアウトなどの高価な推定手法を用いて探索を誘導している。 本稿では,新しいMCTSをベースとしたレトロシンセティックプランニング手法である {\tt MCTS} を提案し,レトロシンセティックプランニング問題に対処する。 ロールアウトを利用する代わりに、検索中に合成体験から知識を学ぶためのエクスペリエンスガイダンスネットワークを構築します。 ベンチマークUSPTOデータセットの実験では、我々のMCTSは、効率と有効性の両方において最先端のアプローチよりも大幅に改善されている。

関連論文リスト

• SDDBench: A Benchmark for Synthesizable Drug Design [31.739548311094843]
  分子合成性を評価するための新しいデータ駆動計量を提案する。 提案したラウンドトリップスコアを用いて,分子の合成経路の実現可能性を直接評価する。 提案手法の有効性を示すため, 分子生成モデルを用いて, 探索成功率とともに, ラウンドトリップスコアの総合評価を行う。
  論文  参考訳（メタデータ） (2024-11-13T03:08:33Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [57.70772230913099]
  Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。 Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。 Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• Evolutionary Retrosynthetic Route Planning [8.19851864095418]
  本稿では,進化的最適化に基づく再合成経路計画法を提案する。 進化的アルゴリズム(EA)は、多段階の逆合成の分野で初めて使われる。
  論文  参考訳（メタデータ） (2023-10-08T14:47:41Z)
• Finding Optimal Pathways in Chemical Reaction Networks Using Ising Machines [0.40792653193642503]
  化学反応ネットワークにおける最適経路の発見は、化学プロセスの解明と設計に不可欠である。 爆発により、最適な経路を見つけるのに必要な時間は、ネットワークサイズとともに指数関数的に増加する。 化学経路フィニング問題に対する最初のIsing/Quantum計算応用について述べる。
  論文  参考訳（メタデータ） (2023-08-08T19:22:54Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• ChemiRise: a data-driven retrosynthesis engine [19.52621175562223]
  ケミリゼは、有機化合物を迅速かつ確実に再合成する完全な経路を提案することができる。 システムは300万以上の有機反応を処理した特許データベース上で訓練された。
  論文  参考訳（メタデータ） (2021-08-09T05:13:14Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)

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。