論文の概要: Retrosynthesis Prediction via Search in (Hyper) Graph

• arxiv url: http://arxiv.org/abs/2402.06772v1
• Date: Fri, 9 Feb 2024 20:25:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 19:18:31.383944
• Title: Retrosynthesis Prediction via Search in (Hyper) Graph
• Title（参考訳）: ハイパーグラフの探索による再合成予測
• Authors: Zixun Lan, Binjie Hong, Jiajun Zhu, Zuo Zeng, Zhenfu Liu, Limin Yu, Fei Ma
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.241472125982734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting reactants from a specified core product stands as a fundamental challenge within organic synthesis, termed retrosynthesis prediction. Recently, semi-template-based methods and graph-edits-based methods have achieved good performance in terms of both interpretability and accuracy. However, due to their mechanisms these methods cannot predict complex reactions, e.g., reactions with multiple reaction center or attaching the same leaving group to more than one atom. In this study we propose a semi-template-based method, the \textbf{Retro}synthesis via \textbf{S}earch \textbf{i}n (Hyper) \textbf{G}raph (RetroSiG) framework to alleviate these limitations. In the proposed method, we turn the reaction center identification and the leaving group completion tasks as tasks of searching in the product molecular graph and leaving group hypergraph respectively. As a semi-template-based method RetroSiG has several advantages. First, RetroSiG is able to handle the complex reactions mentioned above by its novel search mechanism. Second, RetroSiG naturally exploits the hypergraph to model the implicit dependencies between leaving groups. Third, RetroSiG makes full use of the prior, i.e., one-hop constraint. It reduces the search space and enhances overall performance. Comprehensive experiments demonstrated that RetroSiG achieved competitive results. Furthermore, we conducted experiments to show the capability of RetroSiG in predicting complex reactions. Ablation experiments verified the efficacy of specific elements, such as the one-hop constraint and the leaving group hypergraph.
• Abstract（参考訳）: 特定のコア生成物から反応物を予測することは、レトロ合成予測と呼ばれる有機合成の基本的な課題である。 近年,半テンプレートベース手法とグラフ編集方式は,解釈可能性と精度の両面で優れた性能を達成している。 しかし、それらの機構のため、これらの方法は複雑な反応を予測できない(例えば、複数の反応中心を持つ反応や、同じ離脱基を複数の原子に結合する)。 本研究では,これらの制約を緩和するために,半テンポレート法である \textbf{S}earch \textbf{i}n (Hyper) \textbf{G}raph (RetroSiG) フレームワークを提案する。 提案手法では, 反応中心同定と離脱群完了タスクを, 製品分子グラフと離脱群ハイパーグラフをそれぞれ検索するタスクとする。 半テンプレートベースの方法として、RetroSiGにはいくつかの利点がある。 まず、RetroSiGはその新しい検索メカニズムによって前述の複雑な反応を処理できる。 第2に、RetroSiGは自然にハイパーグラフを利用して、離脱するグループ間の暗黙の依存関係をモデル化する。 第3に、RetroSiGは以前の制約、すなわちワンホップ制約をフル活用する。 検索スペースを減らし、全体的なパフォーマンスを向上させる。 総合的な実験により、RetroSiGは競争結果を得た。 さらに, 複素反応予測におけるRetroSiGの有効性を示す実験を行った。 アブレーション実験では, 1ホップ制約や離脱群ハイパーグラフなどの特定の要素の有効性が検証された。

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)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• RetroDiff: Retrosynthesis as Multi-stage Distribution Interpolation [32.643400484143605]
  本稿では,この問題に対処する新しい拡散法であるRetro synthesis(RetroDiff)を紹介する。 私たちの重要な革新は、多段階拡散プロセスを開発することです。 ベンチマーク実験により, 提案手法が他の全ての準テンプレート法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-11-23T16:08:52Z)
• 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)
• RetCL: A Selection-based Approach for Retrosynthesis via Contrastive Learning [107.64562550844146]
  レトロシンセシスは深層学習の新たな研究分野である。 本稿では, 市販分子の候補群から, 反応物質の選択問題へとレトロシンセシスを再構成する新しいアプローチを提案する。 スコア機能を学ぶために、ハードネガティブマイニングを備えた新しいコントラストトレーニングスキームも提案します。
  論文  参考訳（メタデータ） (2021-05-03T12:47:57Z)
• 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)

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。