論文の概要: RetroMPA: A Molecular Property-Aware Auxiliary Framework for Enhancing Retrosynthesis Prediction

• arxiv url: http://arxiv.org/abs/2608.16111v1
• Date: Mon, 17 Aug 2026 05:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.543005
• Title: RetroMPA: A Molecular Property-Aware Auxiliary Framework for Enhancing Retrosynthesis Prediction
• Title（参考訳）: RetroMPA:再合成予測の強化のための分子特性を考慮した補助フレームワーク
• Abstract要約: RetroMPAは、既存のアルゴリズムの予測経路を再検討し最適化するために設計された、モデルに依存しない化学フィルタである。 RetroMPAは、USPTO-50Kで平均5.50%のレトロシンセシスモデルにおいて、トップ1の精度を一貫して向上させる。 Wet-lab実験は、フレームワークの実用性に対する予備的なサポートを提供する。
• 参考スコア（独自算出の注目度）: 23.136601313495785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrosynthesis is a cornerstone of drug discovery and organic synthesis. While data-driven deep learning models have shown remarkable progress, they autonomously learn reaction patterns from extensive datasets with limited integration of established chemical knowledge as priors. To address this limitation, we introduce RetroMPA, a molecular property-aware, post-hoc enhancement module that injects chemical knowledge into the retrosynthesis pipeline. Rather than functioning as an independent SMILES sequence generator, RetroMPA is a broadly applicable, model-agnostic chemical filter designed to recalibrate and optimize the predictive pathways of existing algorithms. This plug-and-play framework integrates seamlessly with a range of data-driven retrosynthesis methods, enhancing outputs without modifying model architecture or requiring resource-intensive retraining. By leveraging a property-aware latent embedding space, RetroMPA consistently improves top-1 accuracy across eight representative retrosynthesis models by an average of 5.50% on USPTO-50K. Furthermore, we validate its scalability on the large-scale USPTO-Full dataset, achieving an average improvement of about 2.03% across both template-based and template-free architectures. Wet-lab experiments provide preliminary support for the practical utility of the framework. These syntheses confirmed viable, previously unreported substrate combinations for classic reaction paradigms---specifically, Suzuki-Miyaura coupling, Bucherer reaction, and Friedel-Crafts acylation---suggesting that RetroMPA can operate beyond mere data fitting. The code is open-sourced at https://github.com/MengzhouLu/RetroMPA.
• Abstract（参考訳）: 再合成は、薬物の発見と有機合成の基盤となる。 データ駆動型ディープラーニングモデルは目覚ましい進歩を見せていますが、確立した化学知識を事前に限定して、広範なデータセットから反応パターンを自律的に学習します。 この制限に対処するため、分子特性を意識したポストホック化モジュールRetroMPAを導入し、レトロ合成パイプラインに化学知識を注入する。 SMILESシークエンスジェネレータとして機能するのではなく、RetroMPAは既存のアルゴリズムの予測経路を再検討し最適化するために設計された、広く適用可能な、モデルに依存しない化学フィルタである。 このプラグイン・アンド・プレイ・フレームワークは、様々なデータ駆動のレトロシンセシス手法とシームレスに統合され、モデルアーキテクチャを変更したりリソース集約的な再トレーニングを必要とせずに出力を向上する。 プロパティ対応の潜伏埋め込み空間を利用することで、RetroMPAはUSPTO-50Kで平均5.50%の精度で8つの代表的なレトロシンセシスモデルにおけるトップ1の精度を一貫して向上させる。 さらに,大規模なUSPTO-Fullデータセット上でのスケーラビリティを検証し,テンプレートベースアーキテクチャとテンプレートフリーアーキテクチャの両方で平均2.03%の改善を実現した。 Wet-lab実験は、フレームワークの実用性に対する予備的なサポートを提供する。 これらの合成は、古典的な反応パラダイム(特に鈴木-宮浦カップリング、ブチェラー反応、フリーデル-クラフトアシル化)のために、これまで報告されていない基質の組み合わせが有効であることが確認された。 コードはhttps://github.com/MengzhouLu/RetroMPA.comで公開されている。

関連論文リスト

• Training Chemical Plausibility-Aware Large Language Models for Single-Step Retrosynthesis [3.841858001721215]
  我々はTop-Kプロンプトを堅牢なトレーニングおよび推論のパラダイムとして導入し、多種多様で妥当な反応予測をよりよく捉える。 CREED-CCV-2+USPTO-XLは,C3LMをトレーニングするために4560万の検証結果の超大規模データセットである。
  論文  参考訳（メタデータ） (2026-08-19T14:08:05Z)
• Chemistry Integrated Language Model using Hierarchical Molecular Representation for Polymer Informatics [0.0]
  機械学習は無機化合物や小さな分子の物質発見に変化をもたらしたが、ポリマーはこれらの方法にほとんどアクセスできないままである。 本稿では,化学サブ構造をトークンとしてエンコードするHAPPYとトランスフォーマーアーキテクチャ内の数値記述子を組み合わせたフレームワークCI-LLMを紹介する。 プロパティ予測では、De$3$BERTaはSMILESベースのモデルよりも3.5倍高速で精度が向上している。 逆設計では, GPTをベースとしたジェネレータは, ターゲット特性を有するポリマーを生成し, 100%の足場保持を実現し, マルチプロパティ最適化に成功した。
  論文  参考訳（メタデータ） (2025-12-06T05:07:11Z)
• Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
  自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。 非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。 新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
  論文  参考訳（メタデータ） (2025-10-09T12:52:55Z)
• 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)
• Interpretable Deep Learning for Polar Mechanistic Reaction Prediction [43.95903801494905]
  PMechRP(Polar Mechanistic Reaction Predictor)は,PMechDBデータセット上で機械学習モデルをトレーニングするシステムである。 私たちは、トランスフォーマーベース、グラフベース、および2段階のシアムアーキテクチャを含む、さまざまな機械学習モデルの比較をトレーニングします。 私たちの最高のパフォーマンスのアプローチはハイブリッドモデルで、5アンサンブルのChemformerモデルと2ステップのSiameseフレームワークを組み合わせたものです。
  論文  参考訳（メタデータ） (2025-04-22T02:31:23Z)
• 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)
• Chemist-aligned retrosynthesis by ensembling diverse inductive bias models [5.47805641978534]
  RetroChimeraは、相補的誘導バイアスを持つ2つの新たに開発されたコンポーネント上に構築されたフロンティア再合成モデルである。 トレーニングデータの外部で堅牢性を実証し、主要なモデルを大きなマージンで上回ります。 また、大手製薬会社から内部データセットへのゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2024-12-06T18:55:19Z)
• 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)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• 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)
• Retrosynthesis Prediction with Local Template Retrieval [112.23386062396622]
  特定の標的分子の反応を予測する再合成は、薬物発見に必須の課題である。 本稿では,局所的な反応テンプレート検索手法であるRetroKNNを紹介する。 我々は、広く使われている2つのベンチマーク、USPTO-50KとUSPTO-MITで包括的な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T03:38:03Z)
• G-MATT: Single-step Retrosynthesis Prediction using Molecular Grammar Tree Transformer [0.0]
  本稿では、強力なデータ駆動モデルと事前のドメイン知識を組み合わせた化学対応の逆合成予測フレームワークを提案する。 提案するフレームワークであるG-MATT(G-MATT)は,ベースラインレトロシンセシスモデルと比較して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2023-05-04T21:04:19Z)

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。