論文の概要: Reaction Prediction via Interaction Modeling of Symmetric Difference Shingle Sets
- arxiv url: http://arxiv.org/abs/2511.06356v1
- Date: Sun, 09 Nov 2025 12:29:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.901205
- Title: Reaction Prediction via Interaction Modeling of Symmetric Difference Shingle Sets
- Title（参考訳）: 対称差分角集合の相互作用モデリングによる反応予測
- Authors: Runhan Shi, Letian Chen, Gufeng Yu, Yang Yang,
- Abstract要約: ReaDISHは、相互作用認識機能を導入しながら、置換不変表現を学習する新しい反応予測モデルである。
1) 対称差分シングルエンコーディングは, 分子のシングル差を計算し, 反応特異的な構造変化を捉えるとともに, 秩序感度を排除し, および(2) 分子内相互作用と分子間相互作用をシングルレベルでモデル化する機構である幾何学的・構造的相互作用アテンションである。
大規模な実験により、ReaDISHは様々なベンチマークで反応予測性能を向上させることが示されている。
- 参考スコア（独自算出の注目度）: 4.597922051722059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chemical reaction prediction remains a fundamental challenge in organic chemistry, where existing machine learning models face two critical limitations: sensitivity to input permutations (molecule/atom orderings) and inadequate modeling of substructural interactions governing reactivity. These shortcomings lead to inconsistent predictions and poor generalization to real-world scenarios. To address these challenges, we propose ReaDISH, a novel reaction prediction model that learns permutation-invariant representations while incorporating interaction-aware features. It introduces two innovations: (1) symmetric difference shingle encoding, which computes molecular shingle differences to capture reaction-specific structural changes while eliminating order sensitivity; and (2) geometry-structure interaction attention, a mechanism that models intra- and inter-molecular interactions at the shingle level. Extensive experiments demonstrate that ReaDISH improves reaction prediction performance across diverse benchmarks. It shows enhanced robustness with an average improvement of 8.76% on R$^2$ under permutation perturbations.
- Abstract（参考訳）: 化学反応予測は有機化学における基本的な課題であり、既存の機械学習モデルでは、入力置換に対する感度(分子/原子の順序)と、反応性を管理する構造的相互作用の不十分なモデリングという2つの重要な制限に直面している。
これらの欠点は、現実のシナリオに対する矛盾した予測や一般化に繋がる。
これらの課題に対処するために、相互作用認識機能を導入しながら置換不変表現を学習する新しい反応予測モデルReaDISHを提案する。
1)分子のシングル差を計算し、秩序感度を排除しながら反応特異的な構造変化を捉え、(2)分子間相互作用をシングルレベルでモデル化する機構である幾何学的・構造的相互作用アテンション(英語版)を導入する。
大規模な実験により、ReaDISHは様々なベンチマークで反応予測性能を向上させることが示されている。
これは、置換摂動下でのR$^2$に対して平均8.76%の改善により強靭性を示す。
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) - 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) - Beyond Major Product Prediction: Reproducing Reaction Mechanisms with
Machine Learning Models Trained on a Large-Scale Mechanistic Dataset [10.968137261042715]
有機反応の機械的理解は、反応の発生、不純物予測、そして原則として反応発見を促進する。
いくつかの機械学習モデルは、反応生成物を予測するタスクに対処しようとしているが、反応機構を予測するための拡張は、対応する力学データセットの欠如によって妨げられている。
実験によって報告された反応物質と生成物の中間体を専門家の反応テンプレートを用いて入力し、その結果の5,184,184個の基本ステップに基づいて機械学習モデルを訓練することにより、そのようなデータセットを構築する。
論文 参考訳（メタデータ） (2024-03-07T15:26:23Z) - 3DReact: Geometric deep learning for chemical reactions [35.38031930589095]
反応物質と生成物の3次元構造から反応特性を予測する3DReactについて述べる。
反応特性予測の既存のモデルと比較して、3DReactは原子マッピング情報を利用する柔軟なフレームワークを提供する。
異なるデータセット、原子をマッピングするレシエーション、およびジオメトリと外挿タスクの両方にわたって、体系的にうまく機能する。
論文 参考訳（メタデータ） (2023-12-13T17:26:54Z) - Beyond the Typical: Modeling Rare Plausible Patterns in Chemical Reactions by Leveraging Sequential Mixture-of-Experts [42.9784548283531]
TransformerやVAEのような生成モデルは一般的に反応生成物を予測するために使用される。
反応物と電子再分配パターンのマッピング空間を分割・分散的に整理することを提案する。
論文 参考訳（メタデータ） (2023-10-07T03:18:26Z) - Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。
提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
論文 参考訳（メタデータ） (2023-06-05T14:15:39Z) - 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) - Energy-based View of Retrosynthesis [70.66156081030766]
エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。
本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
論文 参考訳（メタデータ） (2020-07-14T18:51:06Z)
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。