log-RRIM：基于局部到全局反应表示学习与交互建模的产率预测
生物大分子
2025-03-11 v4 人工智能
机器学习
摘要
准确预测化学反应产率对于优化有机合成至关重要，有可能减少实验所花费的时间和资源。随着人工智能（AI）的兴起，人们越来越关注利用基于 AI 的方法在不进行体外实验的情况下加速产率预测。我们提出了 log-RRIM，这是一个基于图 Transformer 的创新框架，旨在预测化学反应产率。log-RRIM 的一个关键特征是集成了交叉注意力机制，该机制聚焦于试剂与反应中心之间的相互作用。这一设计反映了化学反应中的一个基本原理：试剂在影响断键和成键过程中的关键作用，最终影响反应产率。log-RRIM 还实现了局部到全局的反应表示学习策略。该方法首先捕获详细的分子级信息，然后对分子间相互作用进行建模和聚合。通过这一分层过程，log-RRIM 有效地捕获了不同分子片段如何对整体反应产率做出贡献并产生影响，而不受其大小变化的影响。log-RRIM 在我们的实验中表现出卓越的性能，特别是在中高产率的反应中，证明了其作为预测器的可靠性。该框架对反应物-试剂相互作用的精细建模以及对分子片段贡献的精确捕获，使其成为化学合成中反应规划和优化的宝贵工具。log-RRIM 的数据和代码可通过 https://github.com/ninglab/Yield_log_RRIM 获取。
引用
@article{arxiv.2411.03320,
title = {log-RRIM: Yield Prediction via Local-to-global Reaction Representation Learning and Interaction Modeling},
author = {Xiao Hu and Ziqi Chen and Bo Peng and Daniel Adu-Ampratwum and Xia Ning},
journal= {arXiv preprint arXiv:2411.03320},
year = {2025}
}
备注
45 pages, 8 figures