論文の概要: RetroReasoner: A Reasoning LLM for Strategic Retrosynthesis Prediction

• arxiv url: http://arxiv.org/abs/2603.12666v1
• Date: Fri, 13 Mar 2026 05:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.919924
• Title: RetroReasoner: A Reasoning LLM for Strategic Retrosynthesis Prediction
• Title（参考訳）: RetroReasoner: 戦略的再合成予測のためのRetroReasoning LLM
• Authors: Hanbum Ko, Chanhui Lee, Ye Rin Kim, Rodrigo Hormazabal, Sehui Han, Sungbin Lim, Sungwoong Kim,
• Abstract要約: 再合成は、与えられた生成物分子の反応物を予測することを目的とした有機合成のコアタスクである。 本稿では,化学者の戦略的思考を生かしたレトロシンセティック推論モデルRetroReasonerを提案する。 実験の結果、RetroReasonerは以前のベースラインを上回るだけでなく、より広い範囲の実行可能な反応提案を生成することがわかった。
• 参考スコア（独自算出の注目度）: 10.722337545605626
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrosynthesis prediction is a core task in organic synthesis that aims to predict reactants for a given product molecule. Traditionally, chemists select a plausible bond disconnection and derive corresponding reactants, which is time-consuming and requires substantial expertise. While recent advancements in molecular large language models (LLMs) have made progress, many methods either predict reactants without strategic reasoning or conduct only a generic product analysis, rather than reason explicitly about bond-disconnection strategies that logically lead to the choice of specific reactants. To overcome these limitations, we propose RetroReasoner, a retrosynthetic reasoning model that leverages chemists' strategic thinking. RetroReasoner is trained using both supervised fine-tuning (SFT) and reinforcement learning (RL). For SFT, we introduce SyntheticRetro, a framework that generates structured disconnection rationales alongside reactant predictions. In the case of RL, we apply a round-trip accuracy as reward, where predicted reactants are passed through a forward synthesis model, and predictions are rewarded when the forward-predicted product matches the original input product. Experimental results show that RetroReasoner not only outperforms prior baselines but also generates a broader range of feasible reactant proposals, particularly in handling more challenging reaction instances.
• Abstract（参考訳）: 再合成予測は、与えられた生成物分子の反応物を予測することを目的とした有機合成のコアタスクである。 伝統的に、化学者は可塑性結合切断を選択して対応する反応物質を誘導するが、これは時間がかかり、相当な専門知識を必要とする。 分子大言語モデル(LLM)の最近の進歩は進展しているが、多くの手法は戦略的推論なしで反応を予測したり、一般的な生成物分析のみを行う。 これらの制約を克服するために,化学者の戦略的思考を活用する再合成推論モデルRetroReasonerを提案する。 RetroReasonerは、教師付き微調整(SFT)と強化学習(RL)の両方を用いて訓練されている。 SFTでは,反応予測とともに構造的解離合理性を生成するフレームワークであるSyntheticRetroを導入する。 RLの場合、予測された反応物が前方合成モデルに渡され、前方予測された生成物が原入力積と一致したときの予測が報われるように、ラウンドトリップ精度を報酬として適用する。 実験結果から、RetroReasonerは、以前のベースラインを上回るだけでなく、より困難な反応インスタンスの処理において、より広い範囲の実行可能な反応提案を生成することが明らかとなった。

関連論文リスト

• Modular Multi-Task Learning for Chemical Reaction Prediction [1.443416244644791]
  低ランク適応(LoRA)は、有機反応予測のための完全な微調整に代わるパラメータ効率の代替である。 LoRAは完全な微調整に匹敵する精度を達成し、破滅的な忘れを効果的に軽減し、マルチタスク性能を向上する。
  論文  参考訳（メタデータ） (2026-02-11T01:17:06Z)
• 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)
• Chemist-aligned retrosynthesis by ensembling diverse inductive bias models [5.47805641978534]
  RetroChimeraは、相補的誘導バイアスを持つ2つの新たに開発されたコンポーネント上に構築されたフロンティア再合成モデルである。 トレーニングデータの外部で堅牢性を実証し、主要なモデルを大きなマージンで上回ります。 また、大手製薬会社から内部データセットへのゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2024-12-06T18:55:19Z)
• 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)
• log-RRIM: Yield Prediction via Local-to-global Reaction Representation Learning and Interaction Modeling [6.310759215182946]
  log-RRIMは、化学反応の収量を予測するために設計された革新的なグラフトランスフォーマーベースのフレームワークである。 log-RRIMの重要な特徴は、試薬と反応中心の相互作用に焦点を当てたクロスアテンション機構の統合である。 Log-RRIMは、特に中～高収率反応において、我々の実験において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-20T18:35:56Z)
• 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)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• 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)
• 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。