論文の概要: RetroGEF: Dynamic Graph Edit Flow for Single-Step Retrosynthesis

• arxiv url: http://arxiv.org/abs/2609.38484v1
• Date: Tue, 29 Sep 2026 20:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.701444
• Title: RetroGEF: Dynamic Graph Edit Flow for Single-Step Retrosynthesis
• Title（参考訳）: RetroGEF:シングルステップ再合成のための動的グラフ編集フロー
• Abstract要約: 再合成は、標的分子への生存可能な合成経路の発見を可能にする。 単段逆合成のためのフローベース生成モデルであるRetroGEFを提案する。
• 参考スコア（独自算出の注目度）: 8.964177843474411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrosynthesis enables the discovery of viable synthetic routes to target molecules. It plays a central role in modern drug discovery and materials design. Retrosynthesis involves molecular graph transformations that can change both connectivity and graph size. These transformations may introduce reactant components absent from the target while revising the product-derived structure. To model these transformations, we propose RetroGEF, a flow-based generative model for single-step retrosynthesis. Starting from the target molecule, it constructs possible reactants by adding atoms and changing bonds in the molecular graph. RetroGEF models molecular transformations and changes in graph size within the same generative process, rather than relying on a fixed-size graph canvas. It learns this process directly from product--reactant pairs without requiring a prescribed edit order. Experiments on representative retrosynthesis benchmarks demonstrate that RetroGEF achieves state-of-the-art performance.
• Abstract（参考訳）: 再合成は、標的分子への生存可能な合成経路の発見を可能にする。 現代の医薬品の発見と材料設計において中心的な役割を担っている。 再合成は、結合性とグラフサイズの両方を変えることができる分子グラフ変換を含む。 これらの変換は、製品由来の構造を見直しながら、ターゲットから欠落する反応成分をもたらす可能性がある。 これらの変換をモデル化するために,単一ステップの逆合成のためのフローベース生成モデルであるRetroGEFを提案する。 ターゲット分子から始め、分子グラフに原子を付加し結合を変化させることで、可能な反応体を構成する。 RetroGEFは、固定サイズのグラフキャンバスに頼るのではなく、同じ生成プロセス内での分子変換とグラフサイズの変化をモデル化する。 このプロセスは、所定の編集順序を必要とせずに、製品と反応するペアから直接学習する。 代表的なレトロシンセシスベンチマークの実験は、RetroGEFが最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Template-Free Retrosynthesis with Graph-Prior Augmented Transformers [2.538209532048867]
  再合成反応予測は、与えられた生成物に対して可塑性反応分子を推測することを目的としている。 我々は手作りの反応テンプレートや追加の化学ルールエンジンを必要としないテンプレートフリーのトランスフォーマーベースのフレームワークを提案する。 本モデルでは,分子グラフ情報をアテンション機構に注入し,SMILES配列と構造的手がかりを併用する。
  論文  参考訳（メタデータ） (2025-12-11T16:08:32Z)
• Rethinking Molecule Synthesizability with Chain-of-Reaction [47.744071119775676]
  合成可能な投影のための生成フレームワークであるReaSynを紹介する。 大規模言語モデル(LLM)における推論経路に類似した合成経路を考慮した新しい視点を提案する。 CoR表記により、ReaSynは化学反応規則を明示的に学習する全ての反応ステップにおいて、密集した監督を受けることができる。
  論文  参考訳（メタデータ） (2025-09-19T15:29:57Z)
• GDiffRetro: Retrosynthesis Prediction with Dual Graph Enhanced Molecular Representation and Diffusion Generation [12.425816520496697]
  再合成予測は、標的生成物に作用する反応物質を同定することに焦点を当てる。 GDiffRetroは、元のグラフと対応する二重グラフを統合し、分子構造を表現する。 反応生成のために、GDiffRetroは3次元の条件拡散モデルを使用し、得られたシンソンを完全な反応物質に変換する。
  論文  参考訳（メタデータ） (2025-01-14T10:44:38Z)
• 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)
• RetroDiff: Retrosynthesis as Multi-stage Distribution Interpolation [31.834422310611625]
  再合成はグラフ・ツー・グラフ(G2G)生成タスクである。 本稿では,レトロシンセシスタスクのための新しい拡散法であるRetroDiffを紹介する。
  論文  参考訳（メタデータ） (2023-11-23T16:08:52Z)
• 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)
• Retroformer: Pushing the Limits of Interpretable End-to-end Retrosynthesis Transformer [15.722719721123054]
  再合成予測は有機合成の基本的な課題の1つである。 本稿では,レトロシンセシス予測のためのトランスフォーマーに基づく新しいアーキテクチャであるRetroformerを提案する。 Retroformerは、エンドツーエンドのテンプレートフリーレトロシンセシスのための新しい最先端の精度に達する。
  論文  参考訳（メタデータ） (2022-01-29T02:03:55Z)
• 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)
• Molecule Edit Graph Attention Network: Modeling Chemical Reactions as Sequences of Graph Edits [0.0]
  本稿では,エンド・ツー・エンドのエンコーダ・デコーダ・ニューラルモデルであるMEGAN(Moecule Edit Graph Attention Network)を提案する。 MEGANは、化学反応をグラフ編集のシーケンスとして表現するモデルにインスパイアされている。 我々は、このモデルを再合成予測(化学反応の産物から得られる基質を予測する)に拡張し、大規模なデータセットにスケールアップする。
  論文  参考訳（メタデータ） (2020-06-27T18:50:24Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)
• 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。