論文の概要: Strategy-first synthesis planning for complex natural products
- arxiv url: http://arxiv.org/abs/2608.07454v1
- Date: Fri, 07 Aug 2026 17:47:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.587291
- Title: Strategy-first synthesis planning for complex natural products
- Title（参考訳）: 複雑な天然物の戦略第一合成計画
- Abstract要約: 大規模言語モデル上に構築されたエージェントフレームワークであるSynthExが,複雑な天然物へのルートを計画していることを示す。
オープンでインタラクティブなデータベースであるSynthAtlasとして、1000以上の天然製品へのルートをリリースしています。
- 参考スコア（独自算出の注目度）: 2.405658289432818
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The total synthesis of a complex molecule is among the most demanding intellectual and experimental feats in chemistry: a chemist must plan many steps ahead for how to assemble simple building blocks into an intricate target, devise backup strategies, and anticipate procedural challenges. It is also a profoundly creative activity. For half a century, efforts to automate the retrosynthetic design of natural products and other complex molecules have drawn on catalogued reactions, and the resulting tools now report near-complete success on benchmarks built from that same source. But these tools were shaped to fit benchmarked chemistry, and they falter on many natural products, the frontier of the field, whose densely functionalized, polycyclic architectures demand precisely the inventive chemistry the record contains least. Whether a machine could reasonably design such syntheses like an expert chemist does has remained unclear. Here, we show that SynthEx, an agentic framework built on large language models, plans routes to complex natural products that lie beyond the reach of conventional design algorithms. SynthEx proposes competing strategies, assembles a sequence of routine and key steps into a cohesive route, and critiques and improves its own design; the chemistry it favours is more convergent than existing tools produce, and spans a region of reaction space that catalogue-based tools cannot match. Most notably, in blinded assessments, expert chemists judged its key steps comparable to those of published human syntheses and engaged with them as genuine synthesis plans, a response algorithmic route prediction has not previously accomplished. We release routes to more than a thousand natural products as SynthAtlas, an open, interactive database, and anticipate it will become a shared resource for a collection of complex target molecules that lack existing literature routes.
- Abstract（参考訳）: 化学者は、単純な構成要素を複雑なターゲットに組み立て、バックアップ戦略を考案し、手続き上の課題を予測するために、多くのステップを計画しなければならない。
また、非常に創造的な活動である。
半世紀にわたって、天然物やその他の複雑な分子の逆合成設計を自動化する努力は、カタログ化された反応に基づいて行われてきた。
しかし、これらのツールは、ベンチマークされた化学に適合するように形成され、フィールドのフロンティアである多くの天然物に干渉し、その密度の高い機能化された多環構造は、レコードが最小に含んでいる発明的化学を正確に要求する。
機械が、専門家の化学者のような、合理的にこのような合成を設計できるかどうかは、まだ不明である。
ここでは,大規模言語モデル上に構築されたエージェントフレームワークであるSynthExが,従来の設計アルゴリズムの範囲を超えて,複雑な天然物へのルートを計画していることを示す。
SynthExは競合戦略を提案し、一連のルーチンとキーステップを凝集経路に組み立て、独自の設計を批判し改善する。
特に、目隠しされた評価において、専門家の化学者は、その重要なステップを公表された人間の合成に匹敵するものと判断し、それらを真の合成計画として取り組んだ。
オープンでインタラクティブなデータベースであるSynthAtlasとして,1000以上の天然物へのルートを公開しています。
関連論文リスト
- URSA: Chemistry-Aware Benchmark for Utilitarian Retrosynthesis Assessment [3.6442441313881706]
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。
論文 参考訳（メタデータ） (2026-07-06T05:32:09Z) - Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。
ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。
この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文 参考訳（メタデータ） (2026-01-25T04:23:34Z) - 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) - LeMat-Synth: a multi-modal toolbox to curate broad synthesis procedure databases from scientific literature [60.879220305044726]
本稿では,大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いて合成手順と性能データを自動抽出・整理するマルチモーダルツールボックスを提案する。
LeMat-Synth (v 1.0):35種類の合成法と16種類の材料クラスにまたがる合成手順を含むデータセット。
我々は,新しいコーパスと合成ドメインへのコミュニティ主導の拡張をサポートするために設計された,モジュール形式のオープンソースライブラリをリリースする。
論文 参考訳（メタデータ） (2025-10-28T17:58:18Z) - DeepRetro: Retrosynthetic Pathway Discovery using Iterative LLM Reasoning [0.0]
DeepRetroは、大規模言語モデル(LLM)、従来のレトロシンセティックエンジン、反復設計ループにおける専門家のフィードバックを密に統合する、新しいオープンソースのフレームワークである。
DeepRetroをオープンソースツールとしてリリースすることで、化学者がますます野心的な合成ターゲットに取り組むようにしたいと思っています。
論文 参考訳（メタデータ） (2025-07-07T19:41:39Z) - 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) - Automated Retrosynthesis Planning of Macromolecules Using Large Language Models and Knowledge Graphs [11.191853171170516]
大規模言語モデル(LLM)と知識グラフを統合するエージェントシステムを提案する。
本システムは,関係する文献の検索,反応データの抽出,データベースクエリ,逆合成経路木の構築を完全自動化する。
この研究は、LLMを動力とするマクロ分子に特化して、完全に自動化された再合成計画薬を開発する最初の試みである。
論文 参考訳（メタデータ） (2025-01-15T16:06:10Z) - 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) - 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) - 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) - 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。