論文の概要: RCsearcher: Reaction Center Identification in Retrosynthesis via Deep Q-Learning

• arxiv url: http://arxiv.org/abs/2301.12071v1
• Date: Sat, 28 Jan 2023 03:03:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 19:14:48.934467
• Title: RCsearcher: Reaction Center Identification in Retrosynthesis via Deep Q-Learning
• Title（参考訳）: RCsearcher:Deep Q-Learningによる再合成における反応中心の同定
• Authors: Zixun Lan, Zuo Zeng, Binjie Hong, Zhenfu Liu and Fei Ma
• Abstract要約: RCsearcherは単一および複数反応中心同定のための統一されたフレームワークである。 グラフニューラルネットワークと深層強化学習の利点を組み合わせたものだ。 他のベースラインを一貫して上回り、トレーニングセットにない反応中心パターンを外挿することができる。
• 参考スコア（独自算出の注目度）: 4.063349526787634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The reaction center consists of atoms in the product whose local properties are not identical to the corresponding atoms in the reactants. Prior studies on reaction center identification are mainly on semi-templated retrosynthesis methods. Moreover, they are limited to single reaction center identification. However, many reaction centers are comprised of multiple bonds or atoms in reality. We refer to it as the multiple reaction center. This paper presents RCsearcher, a unified framework for single and multiple reaction center identification that combines the advantages of the graph neural network and deep reinforcement learning. The critical insight in this framework is that the single or multiple reaction center must be a node-induced subgraph of the molecular product graph. At each step, it considers choosing one node in the molecular product graph and adding it to the explored node-induced subgraph as an action. Comprehensive experiments demonstrate that RCsearcher consistently outperforms other baselines and can extrapolate the reaction center patterns that have not appeared in the training set. Ablation experiments verify the effectiveness of individual components, including the beam search and one-hop constraint of action space.
• Abstract（参考訳）: 反応中心は生成物中の原子で、局所的性質は反応物中の対応する原子と同一ではない。 反応中心の同定に関する以前の研究は、主に半テンプレートのレトロシンセシス法に基づいている。 さらに、それらは単一反応中心同定に限られる。 しかし、多くの反応中心は実際には複数の結合や原子で構成されている。 これを多重反応中心(multiple reaction center)と呼ぶ。 本稿では,グラフニューラルネットワークと深部強化学習の利点を組み合わせた,単一および複数反応中心同定のための統合フレームワークRCsearcherを提案する。 この枠組みにおける重要な洞察は、単一または多重の反応中心は分子製品グラフのノード誘起部分グラフでなければならないということである。 各ステップにおいて、分子積グラフ内の1つのノードを選択し、探索されたノード誘発サブグラフにそれを作用として追加することを検討する。 総合的な実験は、RCsearcherが他のベースラインを一貫して上回り、トレーニングセットにない反応中心パターンを外挿できることを示した。 アブレーション実験は、ビーム探索やアクション空間のワンホップ制約を含む個々の成分の有効性を検証する。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• log-RRIM: Yield Prediction via Local-to-global Reaction Representation Learning and Interaction Modeling [6.310759215182946]
  log-RRIMは、化学反応の収量を予測するために設計された革新的なグラフトランスフォーマーベースのフレームワークである。 本手法は,一意の局所的-グローバル的反応表現学習戦略を実装している。 反応剤-試薬相互作用の高度なモデリングと小さな分子断片への感受性により、化学合成における反応計画と最適化のための貴重なツールとなる。
  論文  参考訳（メタデータ） (2024-10-20T18:35:56Z)
• Retrosynthesis Prediction via Search in (Hyper) Graph [5.241472125982734]
  特定の中核生成物から反応物を予測することは有機合成の基本的な課題である。 我々は,これらの制約を緩和するためにtextbfSearch textbfin (Hyper) textbfGraph (RetroSiG) フレームワークを用いた半テンプレートベースの textbfRetro synthesis を提案する。
  論文  参考訳（メタデータ） (2024-02-09T20:25:45Z)
• Sensing of magnetic field effects in radical-pair reactions using a quantum sensor [50.591267188664666]
  特定の化学反応における磁場効果(MFE)は、過去50年間によく確立されてきた。 我々は、局所的なスピン環境とセンサーとの結合を考慮して、ラジカル対の精巧で現実的なモデルを採用する。 2つのモデル系に対して、ラジカル対とNV量子センサの弱い結合状態においても検出可能なMFEの信号を導出する。
  論文  参考訳（メタデータ） (2022-09-28T12:56:15Z)
• 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)
• Prediction of good reaction coordinates and future evolution of MD trajectories using Regularized Sparse Autoencoders: A novel deep learning approach [0.32634122554914]
  我々は、エネルギーベースモデルである正規化スパースオートエンコーダを用いて、重要な反応座標のセットを発見した。 反応座標の発見とともに、我々のモデルは分子動力学(MD)軌道の進化を予測する。
  論文  参考訳（メタデータ） (2022-08-22T14:27:57Z)
• AI-driven Hypergraph Network of Organic Chemistry: Network Statistics and Applications in Reaction Classification [0.0]
  我々は、標準の反応データセットを使用してハイパーネットワークを構築し、その統計を報告する。 また、反応の等価なグラフ表現に対して各統計量を計算し、平行線を描画し、相違点を強調する。 ハイパーネットワーク表現は柔軟性があり、反応コンテキストを保持し、隠れた洞察を明らかにする。
  論文  参考訳（メタデータ） (2022-08-02T14:12:03Z)
• Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation [70.97737157902947]
  現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
  論文  参考訳（メタデータ） (2022-01-02T12:33:10Z)
• Mapping the Space of Chemical Reactions Using Attention-Based Neural Networks [0.3848364262836075]
  本研究は, トランスフォーマトモデルが, 非注釈的, 単純な化学反応表現から反応クラスを推定できることを示した。 我々の最良のモデルは98.2%の分類精度に達する。 学習した指紋によって得られる化学反応空間に関する洞察は、インタラクティブな反応アトラスによって示されます。
  論文  参考訳（メタデータ） (2020-12-09T10:25:30Z)
• A multiconfigurational study of the negatively charged nitrogen-vacancy center in diamond [55.58269472099399]
  広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。 ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
  論文  参考訳（メタデータ） (2020-08-24T01:49:54Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。