論文の概要: T-Rex: Text-assisted Retrosynthesis Prediction

• arxiv url: http://arxiv.org/abs/2401.14637v1
• Date: Fri, 26 Jan 2024 04:08:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 16:04:47.813647
• Title: T-Rex: Text-assisted Retrosynthesis Prediction
• Title（参考訳）: T-Rex:テキストによる再合成予測
• Authors: Yifeng Liu, Hanwen Xu, Tangqi Fang, Haocheng Xi, Zixuan Liu, Sheng Zhang, Hoifung Poon, Sheng Wang
• Abstract要約: T-Rexはテキストによる逆合成予測手法である。 ChatGPTのような事前訓練されたテキスト言語モデルを利用して、反応体の生成を支援する。
• 参考スコア（独自算出の注目度）: 17.955825423710817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a fundamental task in computational chemistry, retrosynthesis prediction aims to identify a set of reactants to synthesize a target molecule. Existing template-free approaches only consider the graph structures of the target molecule, which often cannot generalize well to rare reaction types and large molecules. Here, we propose T-Rex, a text-assisted retrosynthesis prediction approach that exploits pre-trained text language models, such as ChatGPT, to assist the generation of reactants. T-Rex first exploits ChatGPT to generate a description for the target molecule and rank candidate reaction centers based both the description and the molecular graph. It then re-ranks these candidates by querying the descriptions for each reactants and examines which group of reactants can best synthesize the target molecule. We observed that T-Rex substantially outperformed graph-based state-of-the-art approaches on two datasets, indicating the effectiveness of considering text information. We further found that T-Rex outperformed the variant that only use ChatGPT-based description without the re-ranking step, demonstrate how our framework outperformed a straightforward integration of ChatGPT and graph information. Collectively, we show that text generated by pre-trained language models can substantially improve retrosynthesis prediction, opening up new avenues for exploiting ChatGPT to advance computational chemistry. And the codes can be found at https://github.com/lauyikfung/T-Rex.
• Abstract（参考訳）: 計算化学の基本的なタスクとして、レトロシンセシス予測は標的分子を合成するための一連の反応物質を特定することを目的としている。 既存のテンプレートフリーアプローチでは、ターゲット分子のグラフ構造のみを考慮し、稀な反応タイプや大きな分子にはうまく一般化できないことが多い。 本稿では,ChatGPTなどの事前学習されたテキスト言語モデルを利用して,反応物の生成を支援するテキスト支援逆合成予測手法T-Rexを提案する。 t-rexはまずchatgptを利用して、記述と分子グラフの両方に基づいてターゲット分子とランク候補反応中心の説明を生成する。 次に、それぞれの反応物質について記述を照会してこれらの候補を再ランク付けし、どの反応物質群が標的分子を最適に合成できるかを調べる。 我々は,T-Rexが2つのデータセットに対するグラフベース最先端手法よりも大幅に優れており,テキスト情報の検討の有効性を示した。 さらに、T-Rexは、ChatGPTベースの記述のみを使用する亜種よりも優れており、我々のフレームワークがChatGPTとグラフ情報の直接的な統合よりも優れていることを示す。 本稿では,事前学習した言語モデルによって生成されたテキストが再合成予測を大幅に改善できることを示し,ChatGPTを利用した計算化学の進歩に向けた新たな道を開く。 コードはhttps://github.com/lauyikfung/T-Rex.comで見ることができる。

関連論文リスト

• ReactXT: Understanding Molecular "Reaction-ship" via Reaction-Contextualized Molecule-Text Pretraining [76.51346919370005]
  反応テキストモデリングのためのReactXTと実験手順予測のためのOpenExpを提案する。 ReactXTは、インプットコンテキストの3つのタイプをインクリメンタルに事前トレーニングする。 私たちのコードはhttps://github.com/syr-cn/ReactXT.comで公開されています。
  論文  参考訳（メタデータ） (2024-05-23T06:55:59Z)
• 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)
• Predictive Chemistry Augmented with Text Retrieval [37.59545092901872]
  文献から得られたテキストで予測化学を直接拡張する新しい方法であるTextReactを紹介する。 TextReactは、所定の化学反応に関連するテキスト記述を検索し、それらを反応の分子的表現と整合させる。 反応条件の推薦と1段階の逆合成という2つの化学課題の枠組みを実証的に検証した。
  論文  参考訳（メタデータ） (2023-12-08T07:40:59Z)
• 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)
• Retroformer: Pushing the Limits of Interpretable End-to-end Retrosynthesis Transformer [15.722719721123054]
  再合成予測は有機合成の基本的な課題の1つである。 本稿では,レトロシンセシス予測のためのトランスフォーマーに基づく新しいアーキテクチャであるRetroformerを提案する。 Retroformerは、エンドツーエンドのテンプレートフリーレトロシンセシスのための新しい最先端の精度に達する。
  論文  参考訳（メタデータ） (2022-01-29T02:03:55Z)
• 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)
• 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。