MARS：一种基于基序的自回归逆合成预测模型
机器学习
2022-09-28 v1
摘要
逆合成是药物发现中的一项重要任务。许多现有方法将其表述为图生成问题。具体而言，这些方法首先识别反应中心，并相应断裂目标分子以生成合成子。反应物通过向合成子图顺序添加原子或直接计算添加合适的离去基团来生成。然而，这两种策略均有缺陷：添加原子导致预测序列过长而增加生成难度，而添加离去基团只能考虑训练集中的离去基团从而导致泛化性差。本文提出一种新颖的端到端图生成模型用于逆合成预测，其顺序识别反应中心、生成合成子并向合成子添加基序以生成反应物。由于具有化学意义的基序大于原子且小于离去基团，我们的方法相较添加原子具有更低预测复杂度，且相较添加离去基团具有更好泛化性。在基准数据集上的实验表明，所提模型显著优于先前最先进的算法。
引用
@article{arxiv.2209.13178,
title = {MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction},
author = {Jiahan Liu and Chaochao Yan and Yang Yu and Chan Lu and Junzhou Huang and Le Ou-Yang and Peilin Zhao},
journal= {arXiv preprint arXiv:2209.13178},
year = {2022}
}
备注
16 pages, 3 figures