論文の概要: RetroGraph: Retrosynthetic Planning with Graph Search

• arxiv url: http://arxiv.org/abs/2206.11477v1
• Date: Thu, 23 Jun 2022 05:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 12:38:47.655592
• Title: RetroGraph: Retrosynthetic Planning with Graph Search
• Title（参考訳）: RetroGraph: グラフ検索による再合成計画
• Authors: Shufang Xie, Rui Yan, Peng Han, Yingce Xia, Lijun Wu, Chenjuan Guo, Bin Yang, Tao Qin
• Abstract要約: 再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応経路を見つけることを目的としている。 本稿では,任意の中間分子の冗長な探索を排除したグラフベースの探索ポリシーを提案する。 提案手法は,グラフ内のターゲットの集合を探索し,木構造に基づく探索手法におけるターゲット間重複を除去する。
• 参考スコア（独自算出の注目度）: 101.92603715499112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrosynthetic planning, which aims to find a reaction pathway to synthesize a target molecule, plays an important role in chemistry and drug discovery. This task is usually modeled as a search problem. Recently, data-driven methods have attracted many research interests and shown promising results for retrosynthetic planning. We observe that the same intermediate molecules are visited many times in the searching process, and they are usually independently treated in previous tree-based methods (e.g., AND-OR tree search, Monte Carlo tree search). Such redundancies make the search process inefficient. We propose a graph-based search policy that eliminates the redundant explorations of any intermediate molecules. As searching over a graph is more complicated than over a tree, we further adopt a graph neural network to guide the search over graphs. Meanwhile, our method can search a batch of targets together in the graph and remove the inter-target duplication in the tree-based search methods. Experimental results on two datasets demonstrate the effectiveness of our method. Especially on the widely used USPTO benchmark, we improve the search success rate to 99.47%, advancing previous state-of-the-art performance for 2.6 points.
• Abstract（参考訳）: 標的分子を合成する反応経路を見つけることを目的とした再合成計画は、化学や薬物発見において重要な役割を果たす。 このタスクは通常、検索問題としてモデル化される。 近年,データ駆動型手法は多くの研究関心を集め,レトロシンセシス計画に有望な結果を示している。 我々は、同じ中間分子が探索過程で何度も訪問されることを観察し、それらは通常、以前の木に基づく方法(例えば、AND-OR木探索、モンテカルロ木探索)で独立に扱われる。 このような冗長性は、探索プロセスを非効率にする。 我々は,任意の中間分子の冗長な探索を排除できるグラフ検索ポリシーを提案する。 グラフ上の検索は木よりも複雑であるため、グラフ上の検索を導くためにグラフニューラルネットワークも採用している。 一方,本手法では,グラフ内の複数のターゲットを検索し,木に基づく探索手法のターゲット間重複を除去できる。 2つのデータセットの実験結果から,本手法の有効性が示された。 特に広く使用されているusptoベンチマークでは,検索成功率を99.47%に向上し,前回のパフォーマンスを2.6ポイント向上した。

関連論文リスト

• Tree Search for Language Model Agents [69.43007235771383]
  対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。 我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。 現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
  論文  参考訳（メタデータ） (2024-07-01T17:07:55Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• 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)
• Learning Graph Search Heuristics [48.83557172525969]
  本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。 我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。 実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
  論文  参考訳（メタデータ） (2022-12-07T22:28:00Z)
• Subgraph Matching via Query-Conditioned Subgraph Matching Neural Networks and Bi-Level Tree Search [33.9052190473029]
  サブグラフマッチングは、グラフデータベース検索、バイオメディカル分析、ソーシャルグループ検索などにおける中核的な操作である。 本稿では,クエリと対象グラフのマッチング情報を動的に計算する,新しいエンコーダ・デコーダニューラルネットワークアーキテクチャを提案する。 5つの大きな実世界のターゲットグラフの実験により、N-BLSはサブグラフマッチング性能を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-07-21T04:47:21Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• ExPoSe: Combining State-Based Exploration with Gradient-Based Online Search [14.90561531943247]
  木に基づくオンライン検索アルゴリズムは、軌道を反復的にシミュレートし、木構造で表される一連の状態のQ値情報を更新する。 あるいは、ポリシー勾配に基づくオンライン検索アルゴリズムは、シミュレーションされた軌跡から得られた情報をポリシーのパラメータに直接更新する。 この2つの手法の長所を組み合わせ,有効活用して検索性能を向上できることを示す。
  論文  参考訳（メタデータ） (2022-02-03T08:39:25Z)
• 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。