极性机械反应预测的可解释深度学习
机器学习
2025-04-23 v1
摘要
准确预测化学反应对于推动合成化学创新至关重要，具有在医药、制造和农业等领域的广泛应用。同时，反应预测是一个复杂问题，化学家往往需要耗时耗资源才能求解。深度学习方法提供了一个吸引人的解决方案，通过实现高通量反应预测来应对这一挑战。然而，许多现有模型在美国专利局数据集上训练，并将反应视为整体转换：直接将reactants映射到products，解释性和机械细节有限。为此，我们引入了PMechRP（Polar Mechanistic Reaction Predictor），一个在PMechDB数据集上训练的机器学习模型系统，PMechDB将反应表示为极性 elementary 步骤，这些步骤捕捉电子流动和机械细节。为进一步扩展模型覆盖范围并提高概括能力，我们将PMechDB增强为由多样化的组合生成反应组成的集合。我们训练并比较了一系列机器学习模型，包括基于转换器、基于图的模型以及两步 siamese 架构。我们的最佳表现方法是一种混合模型，将5个Chemformer模型的集成与两步 Siamese 框架相结合，利用转换器架构的精度，同时通过两步网络预测过滤掉“alchemical”产物。对于评估，我们使用PMechDB数据集的测试分割，另外还精选了一个由从有机化学教科书中提取的完整机械路径组成的人类基准数据集。我们的混合模型在PMechDB测试集上实现了94.9%的Top-10准确率，在路径数据集上实现了84.9%的目标恢复率。
引用
@article{arxiv.2504.15539,
title = {Interpretable Deep Learning for Polar Mechanistic Reaction Prediction},
author = {Ryan J. Miller and Alexander E. Dashuta and Brayden Rudisill and David Van Vranken and Pierre Baldi},
journal= {arXiv preprint arXiv:2504.15539},
year = {2025}
}