論文の概要: Bridging Chemists and AI: An Expert-Augmented Framework for Interpretable Route Evaluation

• arxiv url: http://arxiv.org/abs/2605.29108v1
• Date: Wed, 27 May 2026 21:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.462091
• Title: Bridging Chemists and AI: An Expert-Augmented Framework for Interpretable Route Evaluation
• Title（参考訳）: Bridging ChemistsとAI: 解釈可能なルート評価のためのエキスパート強化フレームワーク
• Authors: Yujia Guo, Mikhail Kabeshov, Tat Hong Duong Le, Samuel Genheden, Marco V. Mijangos, Varvara Voinarvoska, Giulia Bergonzini, Ola Engkvist, Samuel Kaski,
• Abstract要約: 我々は、機械学習と化学者のドメイン知識を統合する、専門家によるデータ駆動スコアリングフレームワークを導入する。 DeepSetsベースのモデルは、参照とマシン生成ルートの間のツリー編集距離を使用してトレーニングされる。 その結果,カテゴリ評価予測のためのスピアマン相関係数0.78,ピアソン相関0.77が得られた。
• 参考スコア（独自算出の注目度）: 16.141040793639743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting efficient multi-step synthetic routes is a central challenge in organic synthesis, particularly in medicinal and process chemistry, where route choice directly impacts feasibility, cost, and development efficiency. Data-driven assessment systems often oversimplify the multi-objective nature of synthesis design and rely on proxy datasets, such as patent routes, rather than universally grounded criteria. To address this, we introduce an expert-augmented, data-driven scoring framework that integrates machine learning with chemists' domain knowledge for both numerical and explainable route assessment. A DeepSets-based model is trained using tree edit distance between reference and machine-generated routes, and then fine-tuned with expert evaluations to produce both quantitative scores and interpretable qualitative categories: Good, Plausible, and Bad. The resulting system achieves a Spearman correlation coefficient of 0.78 and a Pearson correlation of 0.77 for category assessment prediction, and 60.2% top-1 ranking accuracy for score prediction, substantially outperforming the previous baseline of 17.5%.
• Abstract（参考訳）: 効率的な多段階合成経路の選択は、特に医薬やプロセス化学における有機合成における中心的な課題であり、経路選択は実現可能性、コスト、開発効率に直接影響を及ぼす。 データ駆動アセスメントシステムは、しばしば合成設計の多目的性を単純化し、普遍的な基準ではなく、特許ルートのようなプロキシデータセットに依存する。 そこで本稿では,機械学習と化学者のドメイン知識を統合して,数値的および説明可能な経路評価を行う,専門家によるデータ駆動型スコアリングフレームワークを提案する。 DeepSetsベースのモデルは、参照ルートとマシン生成ルートの間のツリー編集距離を使用してトレーニングされ、その後、専門家評価によって微調整され、定量スコアと解釈可能な定性カテゴリ(Good, Plausible, Bad)の両方を生成する。 得られたシステムは、カテゴリー評価予測のためのスピアマン相関係数0.78とピアソン相関0.77とスコア予測のためのトップ1ランキング精度60.2%を達成し、前回のベースライン17.5%を大幅に上回る。

関連論文リスト

• Towards Reward Modeling for AI Tutors in Math Mistake Remediation [13.755739827287542]
  重み付きサムランキングに基づいて訓練されたBradley-Terry選好モデルの開発とリリースを行う。 合成データのみを用いて、人間の嗜好テストにおいて最適なモデルが0.69対の精度に達する。
  論文  参考訳（メタデータ） (2026-03-25T14:56:08Z)
• NAIPv2: Debiased Pairwise Learning for Efficient Paper Quality Estimation [58.30936615525824]
  本稿では,紙の品質評価のための非バイアスで効率的なフレームワークであるNAIPv2を提案する。 NAIPv2は、レビューアレーティングの不整合を低減するために、ドメイン年グループ内でペアワイズ学習を採用している。 これはペアワイズ比較に基づいてトレーニングされるが、デプロイ時に効率的なポイントワイズ予測を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T17:59:23Z)
• DrugReasoner: Interpretable Drug Approval Prediction with a Reasoning-augmented Language Model [0.0]
  我々はLLaMAアーキテクチャ上に構築された推論に基づく大規模言語モデル(LLM)であるPaldrReasonerを提案する。 DrugReasonerは、構造的に類似した承認されていない化合物に対する比較推論と分子記述子を統合している。 AUCが0.732、F1が0.729、テストセットが0.725、0.718で堅牢な性能を達成した。
  論文  参考訳（メタデータ） (2025-08-26T01:14:14Z)
• MindGYM: What Matters in Question Synthesis for Thinking-Centric Fine-Tuning? [51.85759493254735]
  MindGYMは、質問合成のための構造化されスケーラブルなフレームワークである。 モデル合成の振る舞いを形作るために、高レベルの推論目的を注入する。 より深い推論のために、QAシードに基づいてより複雑なマルチホップ質問を構成する。
  論文  参考訳（メタデータ） (2025-03-12T16:03:03Z)
• Efficient Multi-Agent System Training with Data Influence-Oriented Tree Search [59.75749613951193]
  木探索とデータ選択の両方をガイドするデータインフルエンス指向木探索(DITS)を提案する。 インフルエンススコアを活用することで、システム改善のための最も影響力のあるデータを効果的に特定する。 非微分不可能な指標に適した影響スコア推定法を導出する。
  論文  参考訳（メタデータ） (2025-02-02T23:20:16Z)
• Calibrating LLMs with Preference Optimization on Thought Trees for Generating Rationale in Science Question Scoring [16.38771834692938]
  より忠実な論理を生成できる新しいフレームワークを提案し、さらに重要なことに、ブラックボックススコアリングシステムと性能をマッチングする。 まず,Large Language Models (LLM) をクエリして思考木を生成することで,人間の評価プロセスを模倣する。 次に、各思考木経路から中間的評価決定を要約し、合成的合理性データと合理性選好データを作成する。
  論文  参考訳（メタデータ） (2024-06-28T14:33:05Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。