論文の概要: A User-Tunable Machine Learning Framework for Step-Wise Synthesis Planning

• arxiv url: http://arxiv.org/abs/2504.02191v2
• Date: Fri, 04 Apr 2025 01:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 11:27:39.601317
• Title: A User-Tunable Machine Learning Framework for Step-Wise Synthesis Planning
• Title（参考訳）: ステップワイズ合成計画のためのユーザチューニング型機械学習フレームワーク
• Authors: Shivesh Prakash, Hans-Arno Jacobsen, Viki Kumar Prasad,
• Abstract要約: MHNpathは、コンピュータ支援合成計画のための機械学習駆動の逆合成ツールである。 我々は、ChemByDesignの複雑な分子を含むケーススタディを通じて、その効果を実証する。 ケーススタディでは, グリーン溶媒を用いたより短く, 安価で, 温暖な経路を生成できることが判明した。
• 参考スコア（独自算出の注目度）: 9.502407569651321
• License:
• Abstract: We introduce MHNpath, a machine learning-driven retrosynthetic tool designed for computer-aided synthesis planning. Leveraging modern Hopfield networks and novel comparative metrics, MHNpath efficiently prioritizes reaction templates, improving the scalability and accuracy of retrosynthetic predictions. The tool incorporates a tunable scoring system that allows users to prioritize pathways based on cost, reaction temperature, and toxicity, thereby facilitating the design of greener and cost-effective reaction routes. We demonstrate its effectiveness through case studies involving complex molecules from ChemByDesign, showcasing its ability to predict novel synthetic and enzymatic pathways. Furthermore, we benchmark MHNpath against existing frameworks, replicating experimentally validated "gold-standard" pathways from PaRoutes. Our case studies reveal that the tool can generate shorter, cheaper, moderate-temperature routes employing green solvents, as exemplified by compounds such as dronabinol, arformoterol, and lupinine.
• Abstract（参考訳）: 我々は、コンピュータ支援合成計画のための機械学習による逆合成ツールであるMHNpathを紹介する。 現代のホップフィールドネットワークと新しい比較指標を活用し、MHNpathは反応テンプレートを効率よく優先順位付けし、再合成予測のスケーラビリティと精度を向上させる。 このツールには調整可能なスコアリングシステムが含まれており、コスト、反応温度、毒性に基づいて経路を優先順位付けすることで、よりグリーンで費用効果の高い反応経路の設計を容易にする。 我々は、ChemByDesignの複雑な分子を含むケーススタディを通じて、その効果を実証し、新規な合成および酵素的経路を予測する能力を示す。 さらに、既存のフレームワークに対してMHNpathをベンチマークし、PaRoutesから実験的に検証された"ゴールドスタンダード"パスを複製する。 ケーススタディでは, ドローナビノール, アルホルマステロール, ルピニンなどの化合物が示すように, グリーン溶媒を用いたより短く, 安価で, 温暖な経路を生成できることが判明した。

関連論文リスト

• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• 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)
• Retro-BLEU: Quantifying Chemical Plausibility of Retrosynthesis Routes through Reaction Template Sequence Analysis [34.41898327432291]
  本稿では,機械翻訳において確立されたBLEUスコアから適応した指標であるRetro-BLEUを紹介し,レトロ合成経路の妥当性を評価する。 本稿では,Retro-BLEU の有効性を,最先端のアルゴリズムによって生成される多種多様な逆合成経路に適用することによって実証する。
  論文  参考訳（メタデータ） (2023-11-08T04:54:09Z)
• Models Matter: The Impact of Single-Step Retrosynthesis on Synthesis Planning [0.8620335948752805]
  再合成は、化学化合物を段階的に分子前駆体に分解する。 その2つの主要な研究方向、単段階の逆合成予測と多段階の合成計画は本質的に相互に絡み合っている。 単一ステップモデルを選択することで,合成計画の総合的な成功率を最大28%向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-08-10T12:04:47Z)
• MechRetro is a chemical-mechanism-driven graph learning framework for interpretable retrosynthesis prediction and pathway planning [10.364476820771607]
  MechRetroは、再合成予測と経路計画を解釈可能なグラフ学習フレームワークである。 化学知識を先行情報として統合することにより,新しいグラフトランスアーキテクチャを設計する。 我々はMechRetroが、大規模なベンチマークデータセットに対して大きなマージンで、レトロシンセティック予測のための最先端のアプローチよりも優れていることを実証した。
  論文  参考訳（メタデータ） (2022-10-06T01:27:53Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)
• 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)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)
• 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。