論文の概要: RetroPlanner: Multi-Route Expansion and Multi-Objective Reasoning for LLM-Based Retrosynthesis Planning

• arxiv url: http://arxiv.org/abs/2610.16391v1
• Date: Mon, 12 Oct 2026 08:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.336932
• Title: RetroPlanner: Multi-Route Expansion and Multi-Objective Reasoning for LLM-Based Retrosynthesis Planning
• Title（参考訳）: RetroPlanner:LLMに基づく再合成計画のための複数経路拡張と多目的推論
• Abstract要約: 多段階のレトロシンセプション計画は、購入可能な出発物質が見つかるとしばしば解決されるが、そのような経路は現実世界の化学でも実用的である。 近年のLSMベースのプランナーはこの過程をAND-ORグラフ上の逐次決定として定式化しているが、通常は1ターンに1分子を拡大し、可解性のみに最適化されている。 LLMベースのプランナーであるRetroPlannerを導入し、複数のルートを共同で比較し、高い合成性を目指して探索を行う。
• 参考スコア（独自算出の注目度）: 9.034749473627846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-step retrosynthesis planning is often considered solved once a route to purchasable starting materials is found, but such a route should also be practical in real-world chemistry. Recent LLM-based planners formulate this process as sequential decision-making over an AND-OR graph, yet typically expand a single molecule per turn and are optimized for solvability alone, leaving alternative routes uncompared across the multiple objectives that determine practicality before the search budget is committed. We introduce RetroPlanner, an LLM-based planner that jointly compares multiple routes to steer the search toward higher synthesizability, as measured by reaction plausibility, round-trip consistency, and starting-material price. RetroPlanner is trained to reason over chemical evidence: structural progress from the target molecule, bond changes and reaction classes, where candidate routes diverge from one another, and how they rank across multiple objectives. Experiments on multi-step retrosynthesis benchmarks demonstrate that RetroPlanner recovers more alternative routes than prior LLM-based planners while improving synthetic route quality and maintaining a high success rate.
• Abstract（参考訳）: 多段階のレトロシンセプション計画は、購入可能な出発物質が見つかるとしばしば解決されるが、そのような経路は現実世界の化学でも実用的である。 LLMベースの最近のプランナーは、このプロセスをAND-ORグラフ上のシーケンシャルな決定として定式化しているが、通常、1ターンに1つの分子を拡大し、可解性のみに最適化され、探索予算が実行される前に実用性を決定する複数の目的に比較されない代替ルートを残している。 反応可視性, ラウンドトリップ整合性, 開始材料価格などを用いて, 複数の経路を比較して高い合成性を求めるRetroPlannerについて紹介する。 RetroPlannerは、ターゲット分子の構造的進歩、結合の変化、反応のクラス、候補経路が互いに分岐する場所、そしてそれらが複数の目的に対してどのようにランク付けされるかといった、化学的な証拠を推論するために訓練されている。 多段階の逆合成ベンチマークの実験により、RetroPlannerは以前のLCMベースのプランナーよりも多くの代替ルートを回収し、合成経路の品質を改善し、高い成功率を維持することを示した。

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)
• RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [76.17893114021757]
  長い形式のレポートを計画し、調査し、エビデンスを評価し、合成する深層研究システムには、根本的な答えがなく、多くのツール強化された決定にまたがる。 本研究では,ルーブリックは最終回答評価者だけでなく,ポリシーの実行,判断フィードバック,エージェントメモリを構成する共有インターフェースとして機能すべきである,と論じる。 我々は、段階的な政策分解とリフレクションに基づくメタ政治進化を組み合わせたルーリック誘導強化学習フレームワークEMを導入する。
  論文  参考訳（メタデータ） (2026-05-11T17:40:38Z)
• 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)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• 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。