論文の概要: Role-Aware Morgan Fingerprints for Reaction Yield Prediction

• arxiv url: http://arxiv.org/abs/2609.22167v1
• Date: Wed, 26 Aug 2026 19:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.754099
• Title: Role-Aware Morgan Fingerprints for Reaction Yield Prediction
• Title（参考訳）: 反応収量予測のためのモーガンフィンガープリントの役割
• Abstract要約: 反応収率予測は、合成化学における実験的試行錯誤と高速な条件スクリーニングを削減できる。 このタスクの最近の方法は、反応エンコーダS上のグラフニューラルネットワークやトランスフォーマーエンコーダのような学習された表現を使用する。 役割認識型Morgan指紋を用いた反応収率予測手法を提案する。
• 参考スコア（独自算出の注目度）: 5.906063992723014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting reaction yield from molecular structure and reaction context can cut experimental trial-and-error and speed up condition screening in synthetic chemistry. Recent methods for this task use learned representations such as graph neural networks or Transformer encoders over reaction SMILES (Simplified Molecular Input Line Entry System), but these approaches carry heavy preprocessing overhead and can break when input formatting is inconsistent. We propose MFP, a reaction yield prediction method built on role-aware Morgan fingerprints where count-based circular fingerprints are computed for each reaction component, aggregated by chemical role (reactant, reagent, product), and combined with transformation-sensitive difference features into a fixed-length reaction descriptor fed to a feed-forward neural regressor. We test MFP against state of the art methods such as YieldBERT (with and without data augmentation) and GNAN (graph neural network) on the Suzuki-Miyaura and Buchwald-Hartwig benchmarks using a shared preprocessing and evaluation protocol. MFP reaches R2 = 0.878 on Suzuki-Miyaura and R2 = 0.969 on Buchwald-Hartwig while training an order of magnitude faster than graph- or Transformer-based alternatives. A formal complexity analysis confirms that MFP folds all representation cost into a one-time preprocessing step, removing the per-epoch message-passing overhead that graph methods carry. An ablation over fingerprint radius and folded vector length shows that radius-2 representations at nBits =2048 give the best balance of accuracy, speed, and cross-split stability on both datasets. These results establish MFP as an effective, reproducible, and efficient baseline for reaction yield prediction.
• Abstract（参考訳）: 分子構造と反応コンテキストから得られる反応の予測は、合成化学における実験的試行錯誤と高速な条件スクリーニングを削減できる。 このタスクの最近の方法は、SMILES (Simplified Molecular Input Line Entry System) 上のグラフニューラルネットワークやTransformerエンコーダなどの学習表現を使用するが、これらの手法は重度のプリプロセッシングオーバーヘッドを持ち、入力フォーマットが不整合である場合に壊れる可能性がある。 MFPは, 反応成分ごとに数式循環指紋を計算し, 化学的役割(反応剤, 試薬, 生成物)で集約し, フィードフォワード神経回帰器に供給される固定長反応記述子への変換感度差特徴と組み合わせた役割認識型モーガン指紋を用いた反応収率予測法である。 我々は,共有前処理と評価プロトコルを用いて,鈴木・宮浦・ブーヴァルト・ハルトウィッヒベンチマーク上で,YieldBERT(データ拡張の有無にかかわらず)やGNAN(グラフニューラルネットワーク)のような最先端の手法に対してMFPを試験する。 MFP はスズキ・ミヤウラで R2 = 0.878 、ブーヴァルト・ハルトヴィヒで R2 = 0.969 に達し、グラフやトランスフォーマーベースの代替よりも桁違いに高速に訓練する。 形式的な複雑性分析により、MFPはすべての表現コストを1回の事前処理ステップに折り畳み、グラフメソッドが持つエポックなメッセージパスオーバーヘッドを取り除く。 指紋半径と折り畳みベクトル長に対するアブレーションは、nBits = 2048における半径2の表現が、両方のデータセットの精度、速度、交差安定性の最良のバランスを与えることを示している。 これらの結果は、MFPを反応収率予測のための効果的で再現性があり、効率的なベースラインとして確立する。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• 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)
• RxnCaption: Reformulating Reaction Diagram Parsing as Visual Prompt Guided Captioning [51.393018266721576]
  化学反応図解析(RxnDP)のためのRxnCaptionフレームワークを提案する。 本フレームワークは,従来の座標予測による解析処理を画像キャプション問題に再構成する。 我々は,BBox and Index as Visual Prompt (BIVP) という,最先端の分子検出器である MolYOLO を用いて,分子境界ボックスやインデックスを直接入力画像上に描画する戦略を紹介した。
  論文  参考訳（メタデータ） (2025-11-04T09:08:44Z)
• 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)
• 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)
• 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)

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。