論文の概要: DeepRetro: Retrosynthetic Pathway Discovery using Iterative LLM Reasoning
- arxiv url: http://arxiv.org/abs/2507.07060v2
- Date: Tue, 19 Aug 2025 18:39:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-21 14:45:44.756663
- Title: DeepRetro: Retrosynthetic Pathway Discovery using Iterative LLM Reasoning
- Title（参考訳）: DeepRetro: Retrosynthetic Pathway Discovery using Iterative LLM Reasoning
- Authors: Shreyas Vinaya Sathyanarayana, Sharanabasava D. Hiremath, Rahil Shah, Rishikesh Panda, Rahul Jana, Riya Singh, Rida Irfan, Ashwin Murali, Bharath Ramsundar,
- Abstract要約: DeepRetroは、大規模言語モデル(LLM)、従来のレトロシンセティックエンジン、反復設計ループにおける専門家のフィードバックを密に統合する、新しいオープンソースのフレームワークである。
DeepRetroをオープンソースツールとしてリリースすることで、化学者がますます野心的な合成ターゲットに取り組むようにしたいと思っています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The synthesis of complex natural products remains one of the grand challenges of organic chemistry. We present DeepRetro, a major advancement in computational retrosynthesis that enables the discovery of viable synthetic routes for complex molecules typically considered beyond the reach of existing retrosynthetic methods. DeepRetro is a novel, open-source framework that tightly integrates large language models (LLMs), traditional retrosynthetic engines, and expert human feedback in an iterative design loop. Prior approaches rely solely on template-based methods or unconstrained LLM outputs. In contrast, DeepRetro combines the precision of template-based methods with the generative flexibility of LLMs, controlled by rigorous chemical validity checks and enhanced by recursive refinement. This hybrid system dynamically explores and revises synthetic pathways, guided by both algorithmic checks and expert chemist feedback through an interactive user interface. While DeepRetro achieves strong performance on standard retrosynthesis benchmarks, its true strength lies in its ability to propose novel, viable pathways to highly complex natural products-targets that have historically eluded automated planning. Through detailed case studies, we illustrate how this approach enables new routes for total synthesis and facilitates human-machine collaboration in organic chemistry. Beyond retrosynthesis, DeepRetro represents a working model for how to leverage LLMs in scientific discovery. We provide a transparent account of the system's design, algorithms, and human-feedback loop, enabling broad adaptation across scientific domains. By releasing DeepRetro as an open-source tool, we aim to empower chemists to tackle increasingly ambitious synthetic targets, accelerating progress in drug discovery, materials design, and beyond.
- Abstract（参考訳）: 複雑な天然物の合成は、有機化学における大きな課題の1つである。
我々はDeepRetroについて述べる。これは計算的再合成の大きな進歩であり、通常、既存の逆合成法の範囲を超えていると考えられる複雑な分子の生存可能な合成経路の発見を可能にする。
DeepRetroは、大規模言語モデル(LLM)、従来のレトロシンセティックエンジン、反復設計ループにおける専門家のフィードバックを密に統合する、新しいオープンソースのフレームワークである。
以前のアプローチはテンプレートベースのメソッドや制約のないLCM出力にのみ依存していた。
対照的に、DeepRetroはテンプレートベースの手法の精度とLCMの生成柔軟性を組み合わせ、厳密な化学的妥当性チェックによって制御され、再帰的な改善によって強化される。
このハイブリッドシステムは,対話型ユーザインタフェースを通じて,アルゴリズムチェックと専門家化学者のフィードバックによって誘導される合成経路を動的に探索し,改訂する。
DeepRetroは標準のレトロシンセサイザーベンチマークで高いパフォーマンスを達成しているが、その真の強みは、歴史的に自動計画から脱却された、非常に複雑な天然物-ターゲットへの、新しい、実行可能な経路を提案する能力にある。
詳細なケーススタディを通じて、このアプローチが全合成のための新しい経路を可能にし、有機化学における人間と機械の協調を促進する方法について説明する。
逆合成以外にも、DeepRetroはLLMを科学的発見に活用するためのワーキングモデルである。
我々は、システムの設計、アルゴリズム、ヒューマンフィードバックのループを透過的に説明し、科学領域にまたがって幅広い適応を可能にする。
DeepRetroをオープンソースツールとしてリリースすることで、化学者がますます野心的な合成ターゲットに取り組み、創薬、材料デザインなどの進歩を加速することを目指している。
関連論文リスト
- Large Language Models Transform Organic Synthesis From Reaction Prediction to Automation [3.904238958136483]
大型言語モデル (LLMs) は化学者が有機合成においてどのように反応を計画し実行するかを再形成し始めている。
LLMは、人間の監督なしに実験を行うロボットに、合成経路を提案し、反応の結果を予測することができる。
本稿では,LLMをグラフニューラルネットワーク,量子計算,リアルタイム分光と組み合わせることで,発見サイクルが小さくなり,よりグリーンでデータ駆動型化学をサポートすることを示す。
論文 参考訳（メタデータ） (2025-08-07T14:17:23Z) - ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。
このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。
反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
論文 参考訳（メタデータ） (2025-06-30T05:11:19Z) - LLM-Augmented Chemical Synthesis and Design Decision Programs [18.41721617026997]
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。
論文 参考訳（メタデータ） (2025-05-11T15:43:00Z) - 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) - Retro-prob: Retrosynthetic Planning Based on a Probabilistic Model [5.044138778500218]
再合成は有機化学の基本的だが挑戦的な課題である。
標的分子を与えられた後生合成の目標は、合成経路に組み立てられる一連の反応を見つけることである。
本稿では,標的分子の合成確率を最大化するために,retro-probと呼ばれる新しい逆合成計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-25T08:23:40Z) - Mind the Retrosynthesis Gap: Bridging the divide between Single-step and
Multi-step Retrosynthesis Prediction [0.9134244356393664]
多段階のアプローチは、単段階の逆合成モデルに格納された化学情報を繰り返し適用する。
複数のステップに拡張された1段階の逆合成のためのモデルが、現在のマルチステップ手法の経路探索能力に大きな影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2022-12-12T18:06:24Z) - 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) - Retrosynthetic Planning with Experience-Guided Monte Carlo Tree Search [10.67810457039541]
逆合成計画では、複雑な分子を合成する膨大な数の経路が、可能性の爆発に繋がる。
現在のアプローチは、化学的知識が限られている人や機械で訓練されたスコア関数に依存している。
検索中に合成経験から知識を学ぶための体験指導ネットワークを構築した。
論文 参考訳（メタデータ） (2021-12-11T17:14:15Z) - 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。