論文の概要: URSA: Chemistry-Aware Benchmark for Utilitarian Retrosynthesis Assessment

• arxiv url: http://arxiv.org/abs/2607.04688v1
• Date: Mon, 06 Jul 2026 05:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.050548
• Title: URSA: Chemistry-Aware Benchmark for Utilitarian Retrosynthesis Assessment
• Title（参考訳）: URSA: 有効性再合成評価のための化学知識ベンチマーク
• Abstract要約: 本研究では,URSA (Utilitarian RetroSynthesis Assessment) 評価フレームワークを紹介する。 これは、正式な観点からだけでなく、化学的妥当性の観点からも合成経路をベンチマークする機会を提供する。 本研究は, 従来のエンド・ツー・エンドのレトロシンセシス・ソリューションとLCMを総合的に評価し, 合成計画課題について検討した。
• 参考スコア（独自算出の注目度）: 3.6442441313881706
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Synthesis planning aiming to find pathways of reactions for a target molecule is one of the most important and challenging tasks in drug discovery. Recent progress has produced both specialized deep-learning retrosynthesis systems and general-purpose large language models, but objective comparison remains difficult due to the lack of flexible, chemically interpretable benchmarking protocols. In the current study, we are introducing the URSA (Utilitarian RetroSynthesis Assessment) evaluation framework that provides the opportunity to benchmark the synthetic routes not only from a formal perspective, such as convergence to commercially available starting materials, but also from a chemical plausibility perspective, mimicking the way expert chemists evaluate the reactions and routes. The study covers a comprehensive evaluation of both conventional end-to-end retrosynthesis solutions and LLMs for the synthesis planning task on a set of novel, diverse target molecules with undisclosed synthetic routes, which represent realistic tasks in the daily drug design routine. We find that while LLMs can support high-level strategic planning, they currently underperform specialized retrosynthesis models in reliably solving synthesis planning tasks.
• Abstract（参考訳）: 標的分子の反応経路を見つけることを目的とした合成計画は、薬物発見において最も重要かつ困難な課題の1つである。 近年の進歩は、特殊なディープラーニングレトロシンセシスシステムと汎用大規模言語モデルの両方を生み出しているが、フレキシブルで化学的に解釈可能なベンチマークプロトコルが欠如しているため、客観的比較は難しいままである。 本研究は,本研究におけるURSA (Utilitarian RetroSynthesis Assessment) 評価フレームワークの導入である。このフレームワークは,コンバージェンスから市販の開始物質に至るまでの形式的な視点だけでなく,化学的な妥当性の観点から,専門家が反応や経路を評価する方法の模倣として,合成経路をベンチマークする機会を提供する。 本研究は, 日常的な医薬品デザインルーチンにおける現実的な課題を表す, 新規で多種多様な合成経路を持つ標的分子の集合上での合成計画課題において, 従来のエンド・ツー・エンドのレトロシンセシス・ソリューションとLCMの両方を包括的に評価する。 LLMは高レベルの戦略的計画を支援することができるが、現在、合成計画タスクを確実に解くために、特別なレトロシンセシスモデルを実行していない。

関連論文リスト

• When Single Answer Is Not Enough: Rethinking Single-Step Retrosynthesis Benchmarks for LLMs [3.973137925060284]
  単段回帰合成のための新しいベンチマークフレームワークを提案する。 正確なマッチングに対する妥当性を強調することで、このアプローチは人間の合成計画プラクティスとよりよく一致します。 LLMトレーニングのための数百万のChemCensor-validated reaction recordからなる新しいデータセットCREEDについても紹介する。
  論文  参考訳（メタデータ） (2026-02-03T14:03:32Z)
• Synthelite: Chemist-aligned and feasibility-aware synthesis planning with LLMs [3.7129661557601854]
  本稿では,大規模な言語モデルを用いてレトロシンセティック変換を提案する合成計画フレームワークであるSyntheliteを紹介する。 シンセライトは、LLMの本質的な化学知識と推論能力を活用することによって、エンドツーエンドの合成経路を生成することができる。 実験により,Syntheliteの計画軌道を多様なユーザ指定制約に柔軟に適用し,最大95%の成功率を達成することができた。
  論文  参考訳（メタデータ） (2025-12-18T11:24:30Z)
• A Scientific Reasoning Model for Organic Synthesis Procedure Generation [12.609346156252393]
  本稿では、精密な構造化実験手順を生成できる科学的推論言語モデルQFANGを提案する。 本稿では,大規模に化学知識を基盤としたチェーン・オブ・シントデータを生成する,化学誘導推論(CGR)フレームワークを提案する。 RLVR(Reinforcement Learning from Verifiable Rewards)を応用して、手続き精度をさらに向上する。
  論文  参考訳（メタデータ） (2025-12-15T18:55:39Z)
• AOT*: Efficient Synthesis Planning via LLM-Empowered AND-OR Tree Search [22.026497456502806]
  AOT*は、LLM生成化学合成経路と系統的なAND-OR木探索を統合することで、レトロシンセティックプランニングを変換するフレームワークである。 AOT* は、既存の LLM ベースのアプローチよりも 3-5$times$ のイテレーションを減らして、競争力のある解決率を示す。
  論文  参考訳（メタデータ） (2025-09-25T10:30:37Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• LLM-Augmented Chemical Synthesis and Design Decision Programs [18.41721617026997]
  反応経路を符号化する効率的な手法を導入し,新しい経路レベルの探索戦略を提案する。 我々は,LLMを付加したアプローチがレトロシンセプション計画に優れており,より広範な分子設計の課題に自然に及んでいることを示す。
  論文  参考訳（メタデータ） (2025-05-11T15:43:00Z)
• 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)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• 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)
• RetCL: A Selection-based Approach for Retrosynthesis via Contrastive Learning [107.64562550844146]
  レトロシンセシスは深層学習の新たな研究分野である。 本稿では, 市販分子の候補群から, 反応物質の選択問題へとレトロシンセシスを再構成する新しいアプローチを提案する。 スコア機能を学ぶために、ハードネガティブマイニングを備えた新しいコントラストトレーニングスキームも提案します。
  論文  参考訳（メタデータ） (2021-05-03T12:47:57Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。