学习规划化学合成
人工智能
2018-04-17 v1 机器学习
化学物理
摘要
从药物到材料，小有机分子对人类福祉不可或缺。为了规划其合成，化学家采用一种称为逆合成分析的问题解决技术。在逆合成分析中，目标分子被递归地转化为越来越简单的前体化合物，直到获得一组容易获得的起始原料。计算机辅助逆合成分析将是一个非常有价值的工具，然而，过去的方法速度慢且提供的结果质量不令人满意。在此，我们采用蒙特卡洛树搜索 (MCTS) 来高效地发现逆合成路线。MCTS 与一个指导搜索的扩展策略网络和一个预选最有希望的逆合成步骤的“范围内”过滤网络相结合。这些深度神经网络在 1200 万个反应上进行了训练，这基本上代表了有机化学中所有已发表的反应。与基于提取规则和手工编码启发式的传统搜索方法相比，我们的系统解决的分子数量几乎是其两倍，速度快 30 倍。最终，在计算机辅助合成规划 60 年的历史之后，化学家再也无法区分由计算机系统生成的路线和取自科学文献的真实路线。我们预计，我们的方法将通过帮助化学家更快地规划更好的合成，以及通过实现全自动机器人合成，来加速药物和材料的发现。
引用
@article{arxiv.1708.04202,
title = {Learning to Plan Chemical Syntheses},
author = {Marwin H. S. Segler and Mike Preuss and Mark P. Waller},
journal= {arXiv preprint arXiv:1708.04202},
year = {2018}
}