論文の概要: MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction

• arxiv url: http://arxiv.org/abs/2209.13178v1
• Date: Tue, 27 Sep 2022 06:29:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 16:00:48.296032
• Title: MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction
• Title（参考訳）: MARS:再合成予測のためのモチーフに基づく自己回帰モデル
• Authors: Jiahan Liu, Chaochao Yan, Yang Yu, Chan Lu, Junzhou Huang, Le Ou-Yang, Peilin Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 54.75583184356392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrosynthesis is a major task for drug discovery. It is formulated as a graph-generating problem by many existing approaches. Specifically, these methods firstly identify the reaction center, and break target molecule accordingly to generate synthons. Reactants are generated by either adding atoms sequentially to synthon graphs or directly adding proper leaving groups. However, both two strategies suffer since adding atoms results in a long prediction sequence which increases generation difficulty, while adding leaving groups can only consider the ones in the training set which results in poor generalization. In this paper, we propose a novel end-to-end graph generation model for retrosynthesis prediction, which sequentially identifies the reaction center, generates the synthons, and adds motifs to the synthons to generate reactants. Since chemically meaningful motifs are bigger than atoms and smaller than leaving groups, our method enjoys lower prediction complexity than adding atoms and better generalization than adding leaving groups. Experiments on a benchmark dataset show that the proposed model significantly outperforms previous state-of-the-art algorithms.
• Abstract（参考訳）: 再合成は薬物発見の主要な課題である。 多くの既存手法によってグラフ生成問題として定式化されている。 具体的には、これらの方法はまず反応中心を同定し、合成子を生成するために標的分子を分解する。 反応物は、シンソングラフに原子を逐次付加するか、あるいは適切な離脱基を直接付加することによって生成される。 しかしながら、2つの戦略は、原子を追加することで生成の困難を増大させる長い予測シーケンスが得られ、一方、離脱基を追加することは、一般化が不十分なトレーニングセットにあるもののみを考えることができる。 本稿では, 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物を生成する, 逆合成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。 化学的に有意なモチーフは原子よりも大きく、残基よりも小さいため、本手法は原子を付加するよりも予測の複雑さが小さく、残基を付加するより一般化する方がよい。 ベンチマークデータセットの実験では、提案モデルが従来の最先端アルゴリズムよりも大幅に優れていることが示された。

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)
• 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)
• RetroDiff: Retrosynthesis as Multi-stage Distribution Interpolation [32.643400484143605]
  本稿では,この問題に対処する新しい拡散法であるRetro synthesis(RetroDiff)を紹介する。 私たちの重要な革新は、多段階拡散プロセスを開発することです。 ベンチマーク実験により, 提案手法が他の全ての準テンプレート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） (2023-11-23T16:08:52Z)
• $\mathsf{G^2Retro}$ as a Two-Step Graph Generative Models for Retrosynthesis Prediction [21.905438801819027]
  再合成は標的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,1段階の再合成予測のための生成フレームワーク$mathsfG2Retro$を開発する。
  論文  参考訳（メタデータ） (2022-06-10T05:34:12Z)
• 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)
• A Graph to Graphs Framework for Retrosynthesis Prediction [42.99048270311063]
  計算化学における基本的な問題は、標的分子を合成する反応剤の集合を見つけることである。 本稿では, 標的分子グラフを反応分子グラフの集合に変換することにより, G2Gsと呼ばれる新しいテンプレートフリーアプローチを提案する。 G2Gsは、トップ1の精度で既存のテンプレートフリーアプローチを最大63%上回っている。
  論文  参考訳（メタデータ） (2020-03-28T06:16:56Z)
• 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。