FusionRetro：通过上下文学习融合分子表示以用于逆合成规划
机器学习
2023-06-01 v4 化学物理
生物大分子
定量方法
摘要
逆合成规划旨在从起始原料到目标分子设计完整的多步合成路线。当前策略采用单步逆合成模型与搜索算法相解耦的方法，仅将产物作为输入来预测每个规划步骤的反应物，而忽略了沿合成路线的有价值上下文信息。在本工作中，我们提出一种利用上下文信息改进逆合成规划的新框架。我们将合成路线视为反应图，并提议通过三个原则性步骤来融入上下文：将分子编码为嵌入、在路线上聚合信息、以及读出以预测反应物。我们的方法是首次尝试在逆合成规划中利用上下文学习进行逆合成预测。整个框架可以端到端方式高效优化，并产生更实用且准确的预测。综合实验表明，通过融合路线上的上下文信息，我们的模型相比不具备上下文感知的基线显著提升了逆合成规划性能，尤其是对于长合成路线。代码见 https://github.com/SongtaoLiu0823/FusionRetro。
引用
@article{arxiv.2209.15315,
title = {FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning},
author = {Songtao Liu and Zhengkai Tu and Minkai Xu and Zuobai Zhang and Lu Lin and Rex Ying and Jian Tang and Peilin Zhao and Dinghao Wu},
journal= {arXiv preprint arXiv:2209.15315},
year = {2023}
}
备注
Accepted by ICML 2023