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 via Shortcut Models [109.72495454280627]
単一ネットワークとトレーニングフェーズを用いて高品質なサンプルを生成する,生成モデルのファミリであるショートカットモデルを導入する。
ショートカットモデルは、現在のノイズレベルと所望のステップサイズにネットワークを条件付け、生成プロセスでモデルをスキップすることができる。
蒸留と比較して、ショートカットモデルは複雑性を1つのネットワークとトレーニングフェーズに減らし、推論時に様々なステップ予算を許容する。
論文 参考訳（メタデータ） (2024-10-16T13:34:40Z) - 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) - DirectMultiStep: Direct Route Generation for Multi-Step Retrosynthesis [0.0]
本稿では, 先行する全ての分子を条件付きで予測することで, 多段階合成経路を単一文字列として生成するトランスフォーマーモデルを提案する。
このモデルは、所望のステップ数や開始材料、PaRoutesデータセットの最先端メソッドなど、特定の条件を満たす。
また、FDAが承認した薬物がトレーニングデータに含まれていないルートの予測も成功し、その一般化能力を示している。
論文 参考訳（メタデータ） (2024-05-22T20:39:05Z) - 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) - 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 [8.19851864095418]
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) - RetroBridge: Modeling Retrosynthesis with Markov Bridges [2.256703675017117]
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) - 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) - 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)
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。