論文の概要: RxnCLF: Contrastive Transformation-Aware Reaction Foundation Model for Improved Reactivity Prediction
- arxiv url: http://arxiv.org/abs/2608.06259v1
- Date: Thu, 06 Aug 2026 16:51:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.967973
- Title: RxnCLF: Contrastive Transformation-Aware Reaction Foundation Model for Improved Reactivity Prediction
- Title（参考訳）: RxnCLF: コントラスト変換を考慮した反応基礎モデルによる反応予測の改善
- Abstract要約: 反応表現学習のための反応コントラスト学習基盤(RxnCLF)を提案する。
RxnCLFは縮合反応グラフ(CRG)上に構築され、反応物と生成物の情報を単一のグラフに統一する。
1.7百万のピスタチオ反応に基づいて、RxnCLFは反応中心の特徴とより広い側鎖コンテキストの両方を捉えるコンパクトで連続的な潜伏空間を学習する。
- 参考スコア（独自算出の注目度）: 3.456440183560995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reaction yield prediction remains challenging because labeled data are scarce and reaction space is both combinatorially large and sparsely populated, limiting the generalization of existing reaction representations. String-, fingerprint-, and graph-based reaction encodings only partially capture chemical transformations, making accurate prediction difficult for reactions with complex substrates. We propose reaction contrastive learning foundation (RxnCLF), a self-supervised contrastive framework for reaction representation learning. RxnCLF is built on a condensed reaction graph (CRG) that unifies reactant and product information into a single graph, enabling the model to learn explicit and enriched transformation structure rather than disconnected graphs. Pretrained on 1.7 million Pistachio reactions, RxnCLF learns a compact and continuous latent space that captures both reaction-center features and broader side chain contexts, making it transformation-aware and chemically interpretable. Fine-tuned on multiple yield prediction benchmarks, including Buchwald-Hartwig, Pd-catalyzed BH coupling, and proprietary HTE C-N coupling and amide formation datasets, RxnCLF consistently outperforms graph and sequence-based baselines, improving R2 and achieving the best performance overall. Our results highlight the promise of CRG-based RxnCLF as a scalable reaction foundation model, with the potential to generalize across broader reaction spaces and support diverse downstream reaction informatics tasks, including regioselectivity prediction, enantioselectivity prediction, and reaction condition optimization.
- Abstract（参考訳）: ラベル付きデータは乏しく、反応空間は組合せ的に大きく、疎密であり、既存の反応表現の一般化を制限するため、反応収率予測は依然として困難である。
ストリング、フィンガープリント、グラフベースの反応符号化は化学変換を部分的に捉えるだけで、複雑な基質との反応では正確な予測が難しい。
反応表現学習のための自己教師型コントラスト学習フレームワークRxnCLFを提案する。
RxnCLF は縮合反応グラフ (CRG) 上に構築されており、反応情報と製品情報を単一のグラフに統合することで、解離グラフではなく、明示的でリッチな変換構造を学習することができる。
1.7百万のピスタチオ反応に基づいて、RxnCLFはコンパクトで連続的な潜伏空間を学習し、反応中心の特徴とより広い側鎖の文脈の両方を捉え、変換に適応し化学的に解釈できる。
Buchwald-Hartwig氏、Pd触媒BHカップリング、独自のHTE C-N結合とアミド生成データセットなど、複数の収率予測ベンチマークを微調整したRxnCLFは、グラフとシーケンスベースのベースラインを一貫して上回り、R2を改善し、全体として最高のパフォーマンスを達成する。
以上の結果から, CRGをベースとしたRxnCLFを拡張性のある反応基盤モデルとして実現し, より広範な反応空間を一般化し, 位置選択性予測, エナンチオ選択性予測, 反応条件最適化など, 様々な下流反応情報処理タスクをサポートする可能性が示唆された。
関連論文リスト
- Molecular Identifier Visual Prompt and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing [52.825281124618535]
反応図解析(RxnDP)は、文献から化学合成情報を抽出するために重要である。
近年の視覚言語モデル(VLM)はこの複雑な視覚的推論タスクを自動化するための有望なパラダイムとして登場した。
この研究はVLMベースのRxnDPを2つの相補的視点、すなわち表現の促進と学習パラダイムから強化する。
論文 参考訳（メタデータ） (2026-03-16T09:17:05Z) - 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) - A Pre-trained Reaction Embedding Descriptor Capturing Bond Transformation Patterns [4.8838428804671326]
本研究は、RXNGraphormer由来の新規な反応レベル記述子であるRXNEmbを紹介する。
我々は、USPTO-50kデータセットをデータ駆動で再クラスタ化することで、その実用性を実証する。
RXNEmbは、反応のフィンガープリントと分析のための強力で解釈可能なツールとして機能する。
論文 参考訳（メタデータ） (2026-01-07T08:24:08Z) - Reaction Prediction via Interaction Modeling of Symmetric Difference Shingle Sets [4.597922051722059]
化学反応予測のための新しい機械学習モデルReaDISHを提案する。
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。
R$2$の順に平均8.76%の改善が加えられた。
論文 参考訳（メタデータ） (2025-11-09T12:29:16Z) - Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。
このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。
本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
論文 参考訳（メタデータ） (2025-02-26T13:13:24Z) - Electron flow matching for generative reaction mechanism prediction obeying conservation laws [8.136277960071032]
この研究は、現代のフローマッチングの深層生成フレームワークを用いて、電子再分配の問題として反応予測の問題を再考する。
我々のモデルであるFlowERは、正確な質量保存を強制することで制限を克服し、幻覚障害モードを解消する。
FlowERはまた、熱力学または動力学的実現可能性の推定を可能にし、反応予測タスクにおける化学直観の程度を示す。
論文 参考訳（メタデータ） (2025-02-18T16:01:17Z) - 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) - 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) - 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) - 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。