分子Transformer——一种用于不确定性校准的化学反应预测的模型
化学物理
2019-09-13 v2 机器学习
摘要
有机合成是药物化学中的主要障碍之一。在合成规划中，一个必要但尚未解决的步骤是求解正向问题：给定反应物和试剂，预测产物。与其他工作类似，我们将反应预测视为反应物-试剂与产物之间SMILES字符串的机器翻译问题。我们表明，多头注意力分子Transformer模型优于文献中的所有算法，在常用基准数据集上实现了超过90%的top-1准确率。我们的算法无需手工规则，并能准确预测细微的化学转化。关键在于，我们的模型能准确估计自身的不确定性，其不确定性分数在判断预测是否正确方面的准确率达89%。此外，我们表明该模型能够处理无反应物-试剂分割且包含立体化学的输入，这使得我们的方法具有普遍适用性。
引用
@article{arxiv.1811.02633,
title = {Molecular Transformer - A Model for Uncertainty-Calibrated Chemical Reaction Prediction},
author = {Philippe Schwaller and Teodoro Laino and Théophile Gaudin and Peter Bolgar and Costas Bekas and Alpha A Lee},
journal= {arXiv preprint arXiv:1811.02633},
year = {2019}
}
备注
Machine Learning for Molecules and Materials workshop, NeurIPS 2018 / Platform: https://rxn.res.ibm.com