論文の概要: ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning
- arxiv url: http://arxiv.org/abs/2606.30778v1
- Date: Mon, 29 Jun 2026 18:07:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:18.964257
- Title: ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning
- Title（参考訳）: ReactionAtlas: 機械学習による化学反応ネットワークの創始
- Abstract要約: 化学反応ネットワーク、ミニマおよび遷移状態(TS)のグラフ、およびそれらの結合する基本反応をマッピングすることは、化学の自然言語である。
反応ネットワーク$textitabを数個のシード分子から生成し、手作りのルールを使わずに生成する。
- 参考スコア（独自算出の注目度）: 11.494241014047397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mapping a chemical reaction network, the graph of minima and transition states (TS) and the elementary reactions connecting them, is the natural language of chemistry, from catalysis to combustion to the origin of life. Constructing such a reaction network for a given chemistry has been impractical: it requires finding and characterizing tens of thousands of TS, a task for which traditional methods such as density functional theory (DFT) are typically prohibitively slow and require reactant and product as input. We introduce ReactionAtlas, which builds a reaction network $\textit{ab origine}$ from a handful of seed molecules and without hand-crafted rules. Specifically, our machine-learned generative model proposes reactions from kinetically sampled candidate compounds and a DFT-trained machine learned force field (MLFF) filters them to valid TS, the resulting products of which enter the search as new seeds. Starting from eight pre-biotic seeds (CH$_2$O, H$_2$O, OH$^-$, H$_3$O$^+$, CO$_2$, H$_2$CO$_3$, HCO$_3^-$, H), ReactionAtlas discovers $\sim$47,000 reactions among $\sim$12,000 compounds. The MLFF TSs match the PBE0 references within 0.5 Å RMSD in 85% of the cases and can be easily brought to the PBE0 level. Thus, ReactionAtlas maps small carbohydrate chemistry up to C$_4$H$_8$O$_4$ at unprecedented scale and accuracy, including charge and stereo information. It enables novel insights into many well-studied reaction paths, including the formose cycle, which we highlight for its centrality to the chemical origins of life. Notably, our framework also allows establishing alternative reaction pathways for formose chemistry.
- Abstract（参考訳）: 化学反応ネットワーク、ミニマおよび遷移状態(TS)のグラフ、およびそれらの結合する基本的な反応は、触媒から燃焼、生命の起源まで、化学の自然言語である。
このような化学反応ネットワークの構築は非現実的であり、例えば密度汎関数理論(DFT)のような従来の手法は、通常、非常に遅く、反応物や生成物を入力として必要とするタスクである、数万のTSの発見と特徴付けを必要としている。
反応ネットワーク $\textit{ab origine}$ を少数のシード分子から作り、手作りの規則を使わずに構築する。
具体的には, 機械学習生成モデルを用いて, 速度論的標本化候補化合物の反応と, DFT学習機械学習力場(MLFF)を用いてTSをフィルタし, その生成物を新しい種として探索する。
前生物種8種(CH$_2$O, H$_2$O, OH$^-$, H$_3$O$^+$, CO$_2$, H$_2$CO$_3$-$, HCO$_3^-$, H)から、リアクションアトラスは$\sim$12,000化合物間の$47,000の反応を発見する。
MLFF TSs は PBE0 の基準値と 85% のケースで0.5 > RMSD の範囲内で一致し、PBE0 レベルに容易に到達できる。
したがって、ReactionAtlasは小さな炭水化物化学をC$_4$H$_8$O$_4$に、電荷やステレオ情報を含む前例のないスケールでマッピングする。
これは多くのよく研究された反応経路に対する新しい洞察を可能にし、その中には、生命の化学的起源への中心性を強調しているフォーモースサイクルも含まれる。
特に,本フレームワークでは,ホルムス化学の代替反応経路の確立も可能である。
関連論文リスト
- Chem4DLLM: 4D Multimodal LLMs for Chemical Dynamics Understanding [52.499532583297885]
ChemDUは4D分子軌道を解釈可能な自然言語の説明に変換する。
ChemDUは、ガス相と触媒反応を含む基本的な動的シナリオに焦点を当てている。
Chem4DBenchは4D分子軌道と専門家による説明を組み合わせた最初のデータセットである。
論文 参考訳（メタデータ） (2026-03-12T13:36:58Z) - Atom-anchored LLMs speak Chemistry: A Retrosynthesis Demonstration [2.9496795797433073]
汎用大言語モデルを用いた分子推論のためのフレームワークを提案する。
本手法は, ユニークな原子識別子を用いて分子構造に対するチェーン・オブ・シント推論をアンカーする。
我々の研究は、理論的に基底付けられた合成データセットを生成する方法も提供する。
論文 参考訳（メタデータ） (2025-10-18T17:27:44Z) - Flow matching for reaction pathway generation [1.8420084274819617]
モルゲンは、ガウス前駆体を標的とする化学分布を輸送する最適な輸送経路を学習する条件付きフローマッチングフレームワークである。
TSDiffとOA-ReactDiffが使用しているベンチマークでは、MolGENはTSの幾何精度とバリアハイト予測を超越し、サンプリングを秒未満に削減している。
MolGENはまた、競合するトップkの精度でオープンな製品生成をサポートし、シーケンスモデルに共通する質量/電子バランス違反を避ける。
論文 参考訳（メタデータ） (2025-07-14T17:54:47Z) - 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) - 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) - React-OT: Optimal Transport for Generating Transition State in Chemical Reactions [45.99250641377074]
反応物や生成物から一意な遷移状態構造を生成するための最適な輸送手法であるReact-OTを開発した。
Re React-OTは、0.053AAの中央構造根平均平方偏差(RMSD)と1.06 kcal/molの中央障壁誤差を持つ高度精度の高いTS構造を生成する。
論文 参考訳（メタデータ） (2024-04-20T17:31:45Z) - 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) - $\mathsf{G^2Retro}$ as a Two-Step Graph Generative Models for
Retrosynthesis Prediction [21.905438801819027]
再合成は標的分子が潜在的反応物質に変換される過程である。
本稿では,1段階の再合成予測のための生成フレームワーク$mathsfG2Retro$を開発する。
論文 参考訳（メタデータ） (2022-06-10T05:34:12Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - Modern Hopfield Networks for Few- and Zero-Shot Reaction Prediction [3.885603826656419]
物理分子を実現するコンピュータ支援合成計画(CASP)はまだ初期段階にあり、大規模な分子発見を可能にする性能レベルが欠けています。
コントラスト学習により最適化された最新のHopfieldネットワーク(MHN)を用いた深層学習アーキテクチャを用いた新しい反応予測手法を提案する。
その結果,mhnのコントラスト学習アプローチは,従来の手法と対照的に,レア,シングル,さらにはトレーニング例のない反応予測に対して,少数およびゼロショットの学習を可能にすることがわかった。
論文 参考訳（メタデータ） (2021-04-07T17:35:00Z) - Deep Reinforcement Learning of Transition States [9.273944570779141]
化学反応機構を解明するための機械学習手法(RL$ddag$)を提案する。
RL$ddag$では、化学反応の遷移状態の位置をゲームとして定式化し、仮想プレイヤーが反応物と生成物を繋ぐシミュレーション軌跡を撮影するように訓練する。
RLddagを訓練することで,最小の主観バイアスを有する化学反応機構を明らかにすることができることを示す。
論文 参考訳（メタデータ） (2020-11-13T00:22:14Z) - 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。