論文の概要: SemiRetro: Semi-template framework boosts deep retrosynthesis prediction

• arxiv url: http://arxiv.org/abs/2202.08205v1
• Date: Sat, 12 Feb 2022 00:38:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-17 14:28:10.880297
• Title: SemiRetro: Semi-template framework boosts deep retrosynthesis prediction
• Title（参考訳）: semiretro: 深い再合成予測を促進するセミテンプレートフレームワーク
• Authors: Zhangyang Gao, Cheng Tan, Lirong Wu, Stan Z. Li
• Abstract要約: テンプレートベース (TB) およびテンプレートフリー (TF) 分子グラフ学習法は, 再合成に有望な結果を示した。 フルテンプレートをいくつかの半テンプレートに分割し、2段階のTFフレームワークに組み込むことを提案する。 実験の結果,SemiRetroは既存のTB法とTF法の両方で有意に優れていた。
• 参考スコア（独自算出の注目度）: 38.42917984016527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, template-based (TB) and template-free (TF) molecule graph learning methods have shown promising results to retrosynthesis. TB methods are more accurate using pre-encoded reaction templates, and TF methods are more scalable by decomposing retrosynthesis into subproblems, i.e., center identification and synthon completion. To combine both advantages of TB and TF, we suggest breaking a full-template into several semi-templates and embedding them into the two-step TF framework. Since many semi-templates are reduplicative, the template redundancy can be reduced while the essential chemical knowledge is still preserved to facilitate synthon completion. We call our method SemiRetro, introduce a new GNN layer (DRGAT) to enhance center identification, and propose a novel self-correcting module to improve semi-template classification. Experimental results show that SemiRetro significantly outperforms both existing TB and TF methods. In scalability, SemiRetro covers 98.9\% data using 150 semi-templates, while previous template-based GLN requires 11,647 templates to cover 93.3\% data. In top-1 accuracy, SemiRetro exceeds template-free G2G 4.8\% (class known) and 6.0\% (class unknown). Besides, SemiRetro has better training efficiency than existing methods.
• Abstract（参考訳）: 近年, テンプレートベース (TB) およびテンプレートフリー (TF) 分子グラフ学習法は, 再合成に有望な結果を示した。 TB法はプリエンコードされた反応テンプレートを用いてより正確であり、TF法はレトロ合成をサブプロブレムに分解することでよりスケーラブルである。 TBとTFの利点を両立させるために、フルテンプレートを複数の半テンプレートに分割し、2段階のTFフレームワークに埋め込むことを提案する。 多くの半テンプレートが複製されるため、テンプレートの冗長性を低減できるが、重要な化学知識はシントーンの完成を促進するために保存されている。 我々は,本手法をSemiRetroと呼び,センター識別を強化する新しいGNN層(DRGAT)を導入し,セミテンプレート分類を改善するための自己修正モジュールを提案する。 実験の結果,semiretroは既存のtb法とtf法を有意に上回っている。 スケーラビリティでは、SemiRetroは150の半テンプレートを使用して98.9\%のデータをカバーするが、以前のテンプレートベースのGLNは93.3\%のデータをカバーするために11,647のテンプレートを必要とする。 トップ1の精度では、SemiRetroはテンプレートフリーのG2G 4.8\%(クラス不明)と6.0\%(クラス不明)を超える。 さらに、SemiRetroは既存の方法よりも訓練効率が良い。

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)
• Minusformer: Improving Time Series Forecasting by Progressively Learning Residuals [14.741951369068877]
  ユビキタス時系列(TS)予測モデルでは,過度なオーバーフィッティングが生じる傾向にある。 本稿では,深層的なブースティング・アンサンブル学習手法である二重ストリーム・サブトラクション機構を提案する。 提案手法は既存の最先端手法よりも優れており,各データセットの平均性能は11.9%向上した。
  論文  参考訳（メタデータ） (2024-02-04T03:54:31Z)
• 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)
• 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)
• MTC: Multiresolution Tensor Completion from Partial and Coarse Observations [49.931849672492305]
  既存の完備化の定式化は、主に1つのテンソルからの部分的な観測に依存する。 この問題を解決するために,効率的なマルチレゾリューション・コンプリート・モデル(MTC)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T02:20:03Z)
• 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)

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。