論文の概要: LLM-Augmented Chemical Synthesis and Design Decision Programs

• arxiv url: http://arxiv.org/abs/2505.07027v1
• Date: Sun, 11 May 2025 15:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.166745
• Title: LLM-Augmented Chemical Synthesis and Design Decision Programs
• Title（参考訳）: LLMによる化学合成・設計決定プログラム
• Authors: Haorui Wang, Jeff Guo, Lingkai Kong, Rampi Ramprasad, Philippe Schwaller, Yuanqi Du, Chao Zhang,
• Abstract要約: 反応経路を符号化する効率的な手法を導入し,新しい経路レベルの探索戦略を提案する。 我々は,LLMを付加したアプローチがレトロシンセプション計画に優れており,より広範な分子設計の課題に自然に及んでいることを示す。
• 参考スコア（独自算出の注目度）: 18.41721617026997
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrosynthesis, the process of breaking down a target molecule into simpler precursors through a series of valid reactions, stands at the core of organic chemistry and drug development. Although recent machine learning (ML) research has advanced single-step retrosynthetic modeling and subsequent route searches, these solutions remain restricted by the extensive combinatorial space of possible pathways. Concurrently, large language models (LLMs) have exhibited remarkable chemical knowledge, hinting at their potential to tackle complex decision-making tasks in chemistry. In this work, we explore whether LLMs can successfully navigate the highly constrained, multi-step retrosynthesis planning problem. We introduce an efficient scheme for encoding reaction pathways and present a new route-level search strategy, moving beyond the conventional step-by-step reactant prediction. Through comprehensive evaluations, we show that our LLM-augmented approach excels at retrosynthesis planning and extends naturally to the broader challenge of synthesizable molecular design.
• Abstract（参考訳）: 一連の有効な反応によって標的分子を単純な前駆体に分解する過程である再合成は、有機化学と薬物開発の中心にある。 最近の機械学習(ML)研究は、一段階の逆合成モデリングとその後の経路探索が進んでいるが、これらの解は、可能な経路の広範な組合せ空間によって制限されている。 同時に、大きな言語モデル(LLM)は、化学における複雑な意思決定タスクに取り組む可能性を示している。 本研究では,LLMが高度に制約された多段階の再合成計画問題にうまく対応できるかどうかを考察する。 反応経路を符号化する効率的な手法を導入し、従来のステップバイステップの反応予測を超越した経路レベルの探索戦略を提案する。 包括的評価により,LLMを付加したアプローチはレトロシンセプション計画に優れ,より広範な分子設計の課題に自然に及んでいることが明らかとなった。

関連論文リスト

• Enhancing Chemical Reaction and Retrosynthesis Prediction with Large Language Model and Dual-task Learning [8.402406301818905]
  大規模言語モデル(LLM)は、多くの領域において可能性を示している。 ChemDualは正確な化学合成のための新しいフレームワークである。 ChemDualは反応の予測とレトロ合成の両方において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-05T13:31:36Z)
• Chemical reasoning in LLMs unlocks steerable synthesis planning and reaction mechanism elucidation [0.3065062372337749]
  大型言語モデル(LLM)は、従来の検索アルゴリズムと統合された場合、強力な化学推論エンジンとして機能する。 我々はこのパラダイムを,戦略を意識した再合成計画とメカニズム解明という,2つの基本的な課題を通じて実証する。 提案手法は,LSMの戦略的理解と従来の化学ツールの精度を融合した,コンピュータ支援化学の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-03-11T15:27:17Z)
• Automated Retrosynthesis Planning of Macromolecules Using Large Language Models and Knowledge Graphs [11.191853171170516]
  大規模言語モデル(LLM)と知識グラフを統合するエージェントシステムを提案する。 本システムは,関係する文献の検索,反応データの抽出,データベースクエリ,逆合成経路木の構築を完全自動化する。 この研究は、LLMを動力とするマクロ分子に特化して、完全に自動化された再合成計画薬を開発する最初の試みである。
  論文  参考訳（メタデータ） (2025-01-15T16:06:10Z)
• 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)
• Self-Improved Retrosynthetic Planning [66.5397931294144]
  再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。 最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。 そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:03:57Z)
• 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 To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。