論文の概要: Mind the Retrosynthesis Gap: Bridging the divide between Single-step and
Multi-step Retrosynthesis Prediction
- arxiv url: http://arxiv.org/abs/2212.11809v1
- Date: Mon, 12 Dec 2022 18:06:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 02:44:18.938690
- Title: Mind the Retrosynthesis Gap: Bridging the divide between Single-step and
Multi-step Retrosynthesis Prediction
- Title(参考訳): 再合成ギャップの心:単段階と多段階の再合成予測の分岐
- Authors: Alan Kai Hassen, Paula Torren-Peraire, Samuel Genheden, Jonas
Verhoeven, Mike Preuss, Igor Tetko
- Abstract要約: 多段階のアプローチは、単段階の逆合成モデルに格納された化学情報を繰り返し適用する。
複数のステップに拡張された1段階の逆合成のためのモデルが、現在のマルチステップ手法の経路探索能力に大きな影響を及ぼすことを示す。
- 参考スコア(独自算出の注目度): 0.9134244356393664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrosynthesis is the task of breaking down a chemical compound recursively
step-by-step into molecular precursors until a set of commercially available
molecules is found. Consequently, the goal is to provide a valid synthesis
route for a molecule. As more single-step models develop, we see increasing
accuracy in the prediction of molecular disconnections, potentially improving
the creation of synthetic paths. Multi-step approaches repeatedly apply the
chemical information stored in single-step retrosynthesis models. However, this
connection is not reflected in contemporary research, fixing either the
single-step model or the multi-step algorithm in the process. In this work, we
establish a bridge between both tasks by benchmarking the performance and
transfer of different single-step retrosynthesis models to the multi-step
domain by leveraging two common search algorithms, Monte Carlo Tree Search and
Retro*. We show that models designed for single-step retrosynthesis, when
extended to multi-step, can have a tremendous impact on the route finding
capabilities of current multi-step methods, improving performance by up to +30%
compared to the most widely used model. Furthermore, we observe no clear link
between contemporary single-step and multi-step evaluation metrics, showing
that single-step models need to be developed and tested for the multi-step
domain and not as an isolated task to find synthesis routes for molecules of
interest.
- Abstract(参考訳): 再合成は、商業的に利用可能な分子の集合が見つかるまで、再帰的に分子前駆体に分解する作業である。
したがって、分子の有効な合成経路を提供することが目的である。
単段階モデルが発展するにつれて、分子切断の予測精度が高まり、合成経路の生成が改善される可能性がある。
多段階のアプローチは、単段階のレトロシンセシスモデルに格納された化学情報を繰り返し適用する。
しかし、この接続は現代の研究には反映されず、プロセス内のシングルステップモデルまたはマルチステップアルゴリズムを固定する。
本研究では,2つの共通探索アルゴリズムであるモンテカルロ木探索法とレトロ*法を用いて,異なる単一ステップのレトロシンセシスモデルの性能と転送のベンチマークを行い,両タスク間の橋渡しを確立する。
複数のステップに拡張された単一ステップの逆合成を設計したモデルは、現在のマルチステップ手法の経路探索能力に大きな影響を及ぼし、最も広く使われているモデルと比較して最大30%性能が向上することを示した。
さらに,同時代の単段階評価指標と多段階評価指標との間には明確な相関は見られず,多段階領域に対して単段階モデルを開発し,テストする必要があることを示す。
関連論文リスト
- One-Step Diffusion Distillation via Deep Equilibrium Models [64.11782639697883]
本稿では,拡散モデルを初期雑音から得られた画像に直接蒸留する簡易かつ効果的な方法を提案する。
本手法は,拡散モデルからノイズ/イメージペアのみによる完全オフライントレーニングを可能にする。
GET は FID スコアの点で 5 倍の ViT と一致するので,DEC アーキテクチャがこの能力に不可欠であることを示す。
論文 参考訳(メタデータ) (2023-12-12T07:28:40Z) - Evolutionary Retrosynthetic Route Planning [8.795747553671925]
進化的アルゴリズム(EA)に基づく再合成経路計画の新しい手法を提案する。
EAは1段階の呼び出しを平均53.9%削減する。
3つの解を探索するのに要する時間は平均83.9%減少し、可能な探索経路の数は5倍増加した。
論文 参考訳(メタデータ) (2023-10-08T14:47:41Z) - RetroBridge: Modeling Retrosynthesis with Markov Bridges [2.4210954073752142]
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) - Models Matter: The Impact of Single-Step Retrosynthesis on Synthesis
Planning [0.8620335948752805]
再合成は、化学化合物を段階的に分子前駆体に分解する。
その2つの主要な研究方向、単段階の逆合成予測と多段階の合成計画は本質的に相互に絡み合っている。
単一ステップモデルを選択することで,合成計画の総合的な成功率を最大28%向上させることができることを示す。
論文 参考訳(メタデータ) (2023-08-10T12:04:47Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳(メタデータ) (2023-01-31T16:43:53Z) - 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) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - 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) - Amortized Tree Generation for Bottom-up Synthesis Planning and
Synthesizable Molecular Design [2.17167311150369]
ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。
提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
論文 参考訳(メタデータ) (2021-10-12T22:43:25Z) - 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) - A Bayesian algorithm for retrosynthesis [3.1092085121563526]
本研究は、所望の分子から市販化合物への合成経路を後方に発見することを目的とする。
深層ニューラルネットワークは、与えられた反応物の生成物を高い精度で前方に予測するように訓練される。
後方モデルを用いて, モンテカルロ探索を用いて, 与えられた合成ターゲットに終止符を打つ多種多様な反応系列を網羅的に探索した。
論文 参考訳(メタデータ) (2020-03-06T13:30:30Z)
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。