FSscore：一种利用人类专业知识的基于机器学习的合成可行性评分
机器学习
2024-10-08 v2 生物大分子
摘要
确定分子是否可合成在化学和药物发现中至关重要，因为它指导实验优先级排序和从头设计任务中的分子排名。现有的评估合成可行性的评分方法难以外推到新的化学空间，或者无法基于细微差异（如手性）进行区分。本文通过引入聚焦合成可行性评分（FSscore）来解决这些局限性，该评分使用机器学习根据结构的相对合成难易程度对其进行排序。首先，建立了一个基于大量反应物-产物对训练的基线模型，然后通过针对特定化学空间的人类专家反馈进行细化。这种有针对性的微调提高了在这些化学范围内的性能，从而能够更准确地区分难以合成和易于合成的分子。FSscore展示了如何利用人在回路框架来优化各种化学应用中合成可行性的评估。
引用
@article{arxiv.2312.12737,
title = {FSscore: A Machine Learning-based Synthetic Feasibility Score Leveraging Human Expertise},
author = {Rebecca M. Neeser and Bruno Correia and Philippe Schwaller},
journal= {arXiv preprint arXiv:2312.12737},
year = {2024}
}