論文の概要: Node-Aligned Graph-to-Graph (NAG2G): Elevating Template-Free Deep Learning Approaches in Single-Step Retrosynthesis

• arxiv url: http://arxiv.org/abs/2309.15798v2
• Date: Mon, 25 Mar 2024 20:09:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 01:00:50.191585
• Title: Node-Aligned Graph-to-Graph (NAG2G): Elevating Template-Free Deep Learning Approaches in Single-Step Retrosynthesis
• Title（参考訳）: Node-Aligned Graph-to-Graph (NAG2G): シングルステップ再合成におけるテンプレートなしディープラーニングアプローチの高揚化
• Authors: Lin Yao, Wentao Guo, Zhen Wang, Shang Xiang, Wentan Liu, Guolin Ke,
• Abstract要約: 有機化学における一段階の逆合成(SSR)は、コンピュータ合成設計における深層学習(DL)技術の恩恵を受けている。 テンプレート支援型DLモデルは、レトロシンセシス予測に柔軟で有望であるが、重要な2次元分子情報を無視し、ノード生成のための原子アライメントに苦慮することが多い。 変換器ベースのテンプレートフリーDLモデルであるNode-Aligned Graph-to-Graph (NAG2G)を紹介する。
• 参考スコア（独自算出の注目度）: 12.713263007109518
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Single-step retrosynthesis (SSR) in organic chemistry is increasingly benefiting from deep learning (DL) techniques in computer-aided synthesis design. While template-free DL models are flexible and promising for retrosynthesis prediction, they often ignore vital 2D molecular information and struggle with atom alignment for node generation, resulting in lower performance compared to the template-based and semi-template-based methods. To address these issues, we introduce Node-Aligned Graph-to-Graph (NAG2G), a transformer-based template-free DL model. NAG2G combines 2D molecular graphs and 3D conformations to retain comprehensive molecular details and incorporates product-reactant atom mapping through node alignment which determines the order of the node-by-node graph outputs process in an auto-regressive manner. Through rigorous benchmarking and detailed case studies, we have demonstrated that NAG2G stands out with its remarkable predictive accuracy on the expansive datasets of USPTO-50k and USPTO-FULL. Moreover, the model's practical utility is underscored by its successful prediction of synthesis pathways for multiple drug candidate molecules. This not only proves NAG2G's robustness but also its potential to revolutionize the prediction of complex chemical synthesis processes for future synthetic route design tasks.
• Abstract（参考訳）: 有機化学における単段階逆合成(SSR)は、コンピュータ支援合成設計における深層学習(DL)技術の恩恵を受けている。 テンプレートフリーDLモデルは、レトロシンセシス予測に柔軟で有望であるが、しばしば重要な2次元分子情報を無視し、ノード生成のための原子アライメントに苦労する。 これらの問題に対処するために、トランスフォーマーベースのテンプレートフリーDLモデルであるNode-Aligned Graph-to-Graph (NAG2G)を導入する。 NAG2Gは2D分子グラフと3Dコンフォメーションを組み合わせて包括的分子の詳細を保持し、ノードアライメントによる製品-反応原子マッピングを組み込んで、ノード・バイ・ノードグラフの出力プロセスの順序を自動回帰的に決定する。 厳密なベンチマークと詳細なケーススタディを通じて、NAG2GはUSPTO-50kおよびUSPTO-FULLの拡張データセットにおいて顕著な予測精度で際立っていることを実証した。 さらに、このモデルの実用性は、複数の薬物候補分子の合成経路の予測が成功したことによる。 このことは、NAG2Gの堅牢性だけでなく、将来の合成経路設計タスクのための複雑な化学合成プロセスの予測に革命をもたらす可能性も証明している。

関連論文リスト

• 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)
• A Deep Learning Generative Model Approach for Image Synthesis of Plant Leaves [62.997667081978825]
  我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。 我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
  論文  参考訳（メタデータ） (2021-11-05T10:53:35Z)
• Permutation invariant graph-to-sequence model for template-free retrosynthesis and reaction prediction [2.5655440962401617]
  本稿では,テキスト生成のためのトランスフォーマーモデルのパワーと,分子グラフエンコーダの置換不変性を組み合わせた新しいGraph2SMILESモデルについて述べる。 エンドツーエンドアーキテクチャとして、Graph2SMILESは、分子から分子への変換を含むあらゆるタスクにおいて、Transformerのドロップイン置換として使用できる。
  論文  参考訳（メタデータ） (2021-10-19T01:23:15Z)
• Molecular Graph Generation via Geometric Scattering [7.796917261490019]
  グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。 分子グラフ生成における表現第一のアプローチを提案する。 我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-10-12T18:00:23Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)
• 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)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)
• 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。