論文の概要: Anticipating the Selectivity of Cyclization Reaction Pathways with Neural Network Potentials
- arxiv url: http://arxiv.org/abs/2507.10400v1
- Date: Mon, 14 Jul 2025 15:43:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:25.353751
- Title: Anticipating the Selectivity of Cyclization Reaction Pathways with Neural Network Potentials
- Title(参考訳): ニューラルネットワークによる循環反応経路の選択性予測
- Authors: Nicholas Casetti, Dylan Anstine, Olexandr Isayev, Connor W. Coley,
- Abstract要約: 本稿では, 複雑な反応, 環化の模範的なファミリーの探索を支援するためのメカニズム探索戦略を提案する。
グラフベースの列挙手法と中間フィルタリングのための機械学習技術を組み合わせることで,関連する基本反応ステップを特定するための費用対効果の戦略を提案する。
本稿では,NNPが活性化エネルギーを推定する能力を評価し,立体選択性の正しい予測を実証し,天然物合成における複雑な有効ステップを再カプセル化する。
- 参考スコア(独自算出の注目度): 8.752400599335523
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reaction mechanism search tools have demonstrated the ability to provide insights into likely products and rate-limiting steps of reacting systems. However, reactions involving several concerted bond changes - as can be found in many key steps of natural product synthesis - can complicate the search process. To mitigate these complications, we present a mechanism search strategy particularly suited to help expedite exploration of an exemplary family of such complex reactions, cyclizations. We provide a cost-effective strategy for identifying relevant elementary reaction steps by combining graph-based enumeration schemes and machine learning techniques for intermediate filtering. Key to this approach is our use of a neural network potential (NNP), AIMNet2-rxn, for computational evaluation of each candidate reaction pathway. In this article, we evaluate the NNP's ability to estimate activation energies, demonstrate the correct anticipation of stereoselectivity, and recapitulate complex enabling steps in natural product synthesis.
- Abstract(参考訳): 反応機構探索ツールは、反応系の可能性のある生成物や速度制限ステップについての洞察を提供する能力を示した。
しかし、いくつかの結合変化を伴う反応(天然物合成の多くの重要なステップに見られるように)は、探索過程を複雑にすることができる。
このような複雑化を緩和するために,このような複雑化反応の模範的なファミリーの探索に特に適したメカニズム探索戦略を提案する。
グラフベースの列挙手法と中間フィルタリングのための機械学習技術を組み合わせることで,関連する基本反応ステップを特定するための費用対効果の戦略を提案する。
このアプローチの鍵となるのは、ニューラルネットワーク電位(NNP)であるAIMNet2-rxnを、各候補反応経路の計算的評価に使用することである。
本稿では,NNPが活性化エネルギーを推定する能力を評価し,立体選択性の正しい予測を実証し,天然物合成における複雑な有効ステップを再カプセル化する。
関連論文リスト
- Transferable Learning of Reaction Pathways from Geometric Priors [1.3170830344441016]
MEPINは、反応物や製品からMEPを効率的に予測するスケーラブルな機械学習手法である。
本手法は,反応経路の効率的なデータ駆動予測による大規模化学反応空間の探索を可能にする。
論文 参考訳(メタデータ) (2025-04-21T18:20:53Z) - 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) - ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。
我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。
この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
論文 参考訳(メタデータ) (2024-07-14T05:53:18Z) - Multi-level Protocol for Mechanistic Reaction Studies Using Semi-local
Fitted Potential Energy Surfaces [0.0]
本稿では化学反応機構の定期的な理論的研究のためのマルチスケールプロトコルを提案する。
この手法の性能の重要な側面は、そのマルチスケールな性質であり、これは計算労力を節約するだけでなく、意味のある情報を抽出することを可能にする。
論文 参考訳(メタデータ) (2023-04-03T12:55:29Z) - Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。
膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。
我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
論文 参考訳(メタデータ) (2023-02-06T11:41:14Z) - Towards Understanding Theoretical Advantages of Complex-Reaction
Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。
経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文 参考訳(メタデータ) (2021-08-15T10:13:49Z) - 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)
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。