論文の概要: GDiffRetro: Retrosynthesis Prediction with Dual Graph Enhanced Molecular Representation and Diffusion Generation

• arxiv url: http://arxiv.org/abs/2501.08001v1
• Date: Tue, 14 Jan 2025 10:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:25:23.725004
• Title: GDiffRetro: Retrosynthesis Prediction with Dual Graph Enhanced Molecular Representation and Diffusion Generation
• Title（参考訳）: GDiffRetro:デュアルグラフによる再合成予測と拡散生成
• Authors: Shengyin Sun, Wenhao Yu, Yuxiang Ren, Weitao Du, Liwei Liu, Xuecang Zhang, Ying Hu, Chen Ma,
• Abstract要約: 再合成予測は、標的生成物に作用する反応物質を同定することに焦点を当てる。 GDiffRetroは、元のグラフと対応する二重グラフを統合し、分子構造を表現する。 反応生成のために、GDiffRetroは3次元の条件拡散モデルを使用し、得られたシンソンを完全な反応物質に変換する。
• 参考スコア（独自算出の注目度）: 12.425816520496697
• License:
• Abstract: Retrosynthesis prediction focuses on identifying reactants capable of synthesizing a target product. Typically, the retrosynthesis prediction involves two phases: Reaction Center Identification and Reactant Generation. However, we argue that most existing methods suffer from two limitations in the two phases: (i) Existing models do not adequately capture the ``face'' information in molecular graphs for the reaction center identification. (ii) Current approaches for the reactant generation predominantly use sequence generation in a 2D space, which lacks versatility in generating reasonable distributions for completed reactive groups and overlooks molecules' inherent 3D properties. To overcome the above limitations, we propose GDiffRetro. For the reaction center identification, GDiffRetro uniquely integrates the original graph with its corresponding dual graph to represent molecular structures, which helps guide the model to focus more on the faces in the graph. For the reactant generation, GDiffRetro employs a conditional diffusion model in 3D to further transform the obtained synthon into a complete reactant. Our experimental findings reveal that GDiffRetro outperforms state-of-the-art semi-template models across various evaluative metrics.
• Abstract（参考訳）: 再合成予測は、ターゲット生成物を合成できる反応物質を同定することに焦点を当てる。 通常、再合成予測は反応中心の同定と反応生成という2つのフェーズを含む。 しかし、既存の手法のほとんどは、2つのフェーズで2つの制限に悩まされていると論じる。 一 既存のモデルは、反応中心同定のための分子グラフの `face' 情報を適切に取得しない。 (II)反応生成の現在のアプローチは、2次元空間における配列生成を主に利用しており、これは完了した反応性基に対して適切な分布を生成するための汎用性に欠けており、分子固有の3次元特性を見落としている。 上記の制限を克服するため、GDiffRetroを提案する。 反応中心の同定のために、GDiffRetroは元のグラフを対応する二重グラフと一意に統合し、分子構造を表現する。 反応生成のために、GDiffRetroは3次元の条件拡散モデルを使用し、得られたシンソンを完全な反応物質に変換する。 実験の結果,GDiffRetroは様々な評価指標で最先端の半テンプレートモデルより優れていることがわかった。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• 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)
• Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• 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)
• Modeling Diverse Chemical Reactions for Single-step Retrosynthesis via Discrete Latent Variables [43.900173434781905]
  単段階の逆合成の目標は、1回の反応で標的生成物の合成に繋がる可能性のある反応物質を同定することである。 既存の配列に基づくレトロ合成法は、生成物から反応物へのレトロ合成を配列から配列への翻訳問題として扱う。 本稿では,条件付き変分オートエンコーダを1ステップの逆合成に組み込んだRetroDVCAEを提案する。
  論文  参考訳（メタデータ） (2022-08-10T14:50:32Z)
• 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)
• 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。