論文の概要: $\mathsf{G^2Retro}$: Two-Step Graph Generative Models for Retrosynthesis Prediction

• arxiv url: http://arxiv.org/abs/2206.04882v1
• Date: Fri, 10 Jun 2022 05:34:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-13 16:04:49.597632
• Title: $\mathsf{G^2Retro}$: Two-Step Graph Generative Models for Retrosynthesis Prediction
• Title（参考訳）: 再合成予測のための2段階グラフ生成モデル$\mathsf{g^2retro}$
• Authors: Ziqi Chen, Oluwatosin R. Ayinde, James R. Fuchs, Huan Sun, Xia Ning
• Abstract要約: 再合成は分子が潜在的反応物質に変換される過程である。 本稿では,一段階のレトロ予測のために,$mathsfG2Retro$という新しい生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.905438801819027
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrosynthesis is a procedure where a molecule is transformed into potential reactants and thus the synthesis routes are identified. We propose a novel generative framework, denoted as $\mathsf{G^2Retro}$, for one-step retrosynthesis prediction. $\mathsf{G^2Retro}$ imitates the reversed logic of synthetic reactions, that is, first predicting the reaction centers to convert the target molecule into fragments named synthons, and then transforming synthons into reactants, following previous semi-template-based methods. In predicting reaction centers, $\mathsf{G^2Retro}$ defines a comprehensive set of reaction center types, and enables diversity in the predicted reactions by considering multiple reaction center candidates. In completing synthons, $\mathsf{G^2Retro}$ deploys a sequence of substructure attachments to transform synthons into reactants, which utilize a holistic view of the most updated structures of the synthons to be completed, as well as all the involved synthon and product structures. Here we show that $\mathsf{G^2Retro}$ is able to better prioritize the most possible reactants in the benchmark dataset than the state-of-the-art methods, and discover novel and highly likely reactions that are not included in the benchmark dataset.
• Abstract（参考訳）: 再合成は分子が潜在的な反応物質に変換され、合成経路が同定される過程である。 本稿では,一段階の逆合成予測のための新しい生成フレームワークである$\mathsf{g^2retro}$を提案する。 合成反応の逆論理、すなわち、まず反応中心を予測して、ターゲット分子をシントンと呼ばれる断片に変換し、その後、以前の半テンプレートに基づく方法に従って合成合成を反応物に変換する。 反応中心予測において、$\mathsf{G^2Retro}$は反応中心型の包括的集合を定義し、複数の反応中心候補を考慮して予測反応の多様性を可能にする。 シンソンを完成させる際、$\mathsf{G^2Retro}$はサブ構造アタッチメントを配置して、シンソンを反応体に変換する。 ここで、$\mathsf{g^2retro}$は、最先端のメソッドよりもベンチマークデータセットで最も起こりうる反応を優先し、ベンチマークデータセットに含まれない新規で可能性が高い反応を発見できることを示す。

関連論文リスト

• 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)
• Retro-prob: Retrosynthetic Planning Based on a Probabilistic Model [5.044138778500218]
  再合成は有機化学の基本的だが挑戦的な課題である。 標的分子を与えられた後生合成の目標は、合成経路に組み立てられる一連の反応を見つけることである。 本稿では,標的分子の合成確率を最大化するために,retro-probと呼ばれる新しい逆合成計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:23:40Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)
• MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction [54.75583184356392]
  本稿では,レトロシンセシス予測のための新しいエンドツーエンドグラフ生成モデルを提案する。 反応中心を逐次同定し、合成子を生成し、合成子にモチーフを加えて反応子を生成する。 ベンチマークデータセットの実験では、提案されたモデルが従来の最先端のアルゴリズムを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2022-09-27T06:29:35Z)
• Modeling Diverse Chemical Reactions for Single-step Retrosynthesis via Discrete Latent Variables [43.900173434781905]
  単段階の逆合成の目標は、1回の反応で標的生成物の合成に繋がる可能性のある反応物質を同定することである。 既存の配列に基づくレトロ合成法は、生成物から反応物へのレトロ合成を配列から配列への翻訳問題として扱う。 本稿では,条件付き変分オートエンコーダを1ステップの逆合成に組み込んだRetroDVCAEを提案する。
  論文  参考訳（メタデータ） (2022-08-10T14:50:32Z)
• Root-aligned SMILES for Molecular Retrosynthesis Prediction [31.818364437526885]
  再合成予測は有機合成の基本的な問題であり、標的分子の合成に使用できる前駆体分子を発見することが目的である。 既存の計算逆合成手法の一般的なパラダイムは、列から列への変換問題として再合成予測を定式化する。 本稿では,製品と反応するSMILES間の一対一マッピングを厳密に整列するルート整列SMILES(R-SMILES)を提案する。
  論文  参考訳（メタデータ） (2022-03-22T03:50:04Z)
• 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)
• 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。