論文の概要: Assessing the Extrapolation Capability of Template-Free Retrosynthesis Models

• arxiv url: http://arxiv.org/abs/2403.03960v1
• Date: Thu, 29 Feb 2024 00:48:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-10 23:52:56.379402
• Title: Assessing the Extrapolation Capability of Template-Free Retrosynthesis Models
• Title（参考訳）: テンプレートフリー・レトロシンセシスモデルの補間能力評価
• Authors: Shuan Chen and Yousung Jung
• Abstract要約: 本研究では, 最先端のテンプレートフリーモデルの外挿能力を実験的に評価し, 広範囲なオフ・オブ・ディストリビューション(OOD)反応を巧みに組み立てた。 その結果, テンプレートフリーモデルでは新しい規則による合成を予測できるが, OOD反応におけるトップ10の精度は著しく低調であることがわかった。
• 参考スコア（独自算出の注目度）: 0.7770029179741429
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the acknowledged capability of template-free models in exploring unseen reaction spaces compared to template-based models for retrosynthesis prediction, their ability to venture beyond established boundaries remains relatively uncharted. In this study, we empirically assess the extrapolation capability of state-of-the-art template-free models by meticulously assembling an extensive set of out-of-distribution (OOD) reactions. Our findings demonstrate that while template-free models exhibit potential in predicting precursors with novel synthesis rules, their top-10 exact-match accuracy in OOD reactions is strikingly modest (< 1%). Furthermore, despite the capability of generating novel reactions, our investigation highlights a recurring issue where more than half of the novel reactions predicted by template-free models are chemically implausible. Consequently, we advocate for the future development of template-free models that integrate considerations of chemical feasibility when navigating unexplored regions of reaction space.
• Abstract（参考訳）: テンプレートのない反応空間を探索する能力はレトロシンセシス予測のテンプレートベースのモデルに比べて認められているものの、確立された境界を超えて活動する能力は、比較的未獲得のままである。 本研究では,ood(out-of-distribution)反応の広範な集合を細心の注意を払って組み立てることで,最先端テンプレートフリーモデルの補間能力を実験的に評価した。 以上の結果から,新しい合成規則によりテンプレートフリーモデルが前駆体を予測できる可能性が示されたが,ood反応におけるtop-10の正確なマッチング精度は極めて低い(<1%)。 さらに, 新規反応生成の可能性にも拘わらず, テンプレートフリーモデルによって予測される新規反応の半分以上は化学的に予測できないという繰り返し問題に注目する。 その結果,反応空間の未探索領域をナビゲートする際の化学的実現可能性を考慮したテンプレートフリーモデルの開発が期待できる。

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)
• RetroGFN: Diverse and Feasible Retrosynthesis using GFlowNets [8.308430428140413]
  単段階の逆合成は、標的分子の生成につながる一連の反応を予測することを目的としている。 本稿では,限られたデータセットの外部を探索し,多様な実行可能な反応を返却できる新しいモデルRetroGFNを提案する。 RetroGFNは,既存のラウンドトリップ精度の手法よりも高い性能を保ちながら,標準的なトップk精度で競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-06-26T20:10:03Z)
• 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)
• Beyond Major Product Prediction: Reproducing Reaction Mechanisms with Machine Learning Models Trained on a Large-Scale Mechanistic Dataset [10.968137261042715]
  有機反応の機械的理解は、反応の発生、不純物予測、そして原則として反応発見を促進する。 いくつかの機械学習モデルは、反応生成物を予測するタスクに対処しようとしているが、反応機構を予測するための拡張は、対応する力学データセットの欠如によって妨げられている。 実験によって報告された反応物質と生成物の中間体を専門家の反応テンプレートを用いて入力し、その結果の5,184,184個の基本ステップに基づいて機械学習モデルを訓練することにより、そのようなデータセットを構築する。
  論文  参考訳（メタデータ） (2024-03-07T15:26:23Z)
• Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
  提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。 本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
  論文  参考訳（メタデータ） (2024-02-26T07:24:32Z)
• Molecule-Edit Templates for Efficient and Accurate Retrosynthesis Prediction [0.16070833439280313]
  最小限のテンプレートを用いて反応を予測する機械学習モデルMETROを紹介する。 標準ベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-10-11T09:00:02Z)
• 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)
• Robustness of Model Predictions under Extension [3.766702945560518]
  分析にモデルを使うのに注意すべき点は、予測因果効果と条件独立性はモデル拡張の下では堅牢でないことである。 定性モデル予測のロバスト性を効率的に評価するために,因果順序付け手法の使い方を示す。 平衡の力学系では、新しい洞察が適切なモデル拡張を選択するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-12-08T20:21:03Z)
• 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)

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。