論文の概要: RetroComposer: Discovering Novel Reactions by Composing Templates for Retrosynthesis Prediction

• arxiv url: http://arxiv.org/abs/2112.11225v1
• Date: Mon, 20 Dec 2021 05:57:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 02:12:37.888449
• Title: RetroComposer: Discovering Novel Reactions by Composing Templates for Retrosynthesis Prediction
• Title（参考訳）: RetroComposer: 再合成予測のためのテンプレートによる新しい反応の発見
• Authors: Chaochao Yan, Peilin Zhao, Chan Lu, Yang Yu, Junzhou Huang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.14937611038264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The main target of retrosynthesis is to recursively decompose desired molecules into available building blocks. Existing template-based retrosynthesis methods follow a template selection stereotype and suffer from the limited training templates, which prevents them from discovering novel reactions. To overcome the limitation, we propose an innovative retrosynthesis prediction framework that can compose novel templates beyond training templates. So far as we know, this is the first method that can find novel templates for retrosynthesis prediction. Besides, we propose an effective reactant candidates scoring model that can capture atom-level transformation information, and it helps our method outperform existing methods by a large margin. Experimental results show that our method can produce novel templates for 328 test reactions in the USPTO-50K dataset, including 21 test reactions that are not covered by the training templates.
• Abstract（参考訳）: レトロ合成の主目的は、所望の分子を利用可能な構成要素に再帰的に分解することである。 既存のテンプレートベースの逆合成法は、テンプレート選択ステレオタイプに従い、限られたトレーニングテンプレートに悩まされ、新しい反応を発見するのを妨げている。 この限界を克服するため,我々は,新しいテンプレートを訓練テンプレートを超えて構成できる,革新的なレトロシンセシス予測フレームワークを提案する。 われわれが知る限りでは、これはレトロシンセシス予測のための新しいテンプレートを見つける最初の方法である。 さらに,原子レベルの変換情報をキャプチャ可能な効果的な反応候補スコアリングモデルを提案する。 実験結果から,USPTO-50Kデータセットでは,トレーニングテンプレートでカバーされていない21の試験反応を含む328の試験反応に対して,新しいテンプレートを作成できることが示唆された。

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)
• Assessing the Extrapolation Capability of Template-Free Retrosynthesis Models [0.7770029179741429]
  本研究では, 最先端のテンプレートフリーモデルの外挿能力を実験的に評価し, 広範囲なオフ・オブ・ディストリビューション(OOD)反応を巧みに組み立てた。 その結果, テンプレートフリーモデルでは新しい規則による合成を予測できるが, OOD反応におけるトップ10の精度は著しく低調であることがわかった。
  論文  参考訳（メタデータ） (2024-02-29T00:48:17Z)
• 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)
• RetroBridge: Modeling Retrosynthesis with Markov Bridges [2.256703675017117]
  再合成計画は、市販の開始物質から標的分子への反応経路を設計することを目的としている。 本稿では,2つの離散分布間の依存性を近似する生成フレームワークであるマルコフブリッジモデルを紹介する。 次に, 新たなフレームワークでレトロシンセシス計画問題に対処し, テンプレートレスレトロシンセシスモデリング手法RetroBridgeを導入する。
  論文  参考訳（メタデータ） (2023-08-30T15:09:22Z)
• 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)
• RetCL: A Selection-based Approach for Retrosynthesis via Contrastive Learning [107.64562550844146]
  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。
  論文  参考訳（メタデータ） (2021-05-03T12:47:57Z)
• 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)
• 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)

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。