分子编辑图注意力网络：将化学反应建模为图编辑序列
机器学习
2021-05-26 v2 化学物理
机器学习
摘要
自动化合成规划的核心挑战在于能够生成并预测多样化化学反应的结果。特别是在许多情况下，由于额外约束，最可能的合成路径无法应用，这就需要提出替代的化学反应。鉴于此，我们提出分子编辑图注意力网络（MEGAN），一种端到端编码器-解码器神经模型。MEGAN 的灵感来源于将化学反应表示为图编辑序列的模型，类似于箭头推动形式体系。我们将该模型扩展到逆合成预测（在给定化学反应产物时预测底物），并将其扩展到大型数据集。我们认为，将反应表示为编辑序列使 MEGAN 能够高效探索合理化学反应的空间，保持以端到端方式建模反应的灵活性，并在标准基准上达到最先进的准确率。代码和训练好的模型已在 https://github.com/molecule-one/megan 上公开提供。
引用
@article{arxiv.2006.15426,
title = {Molecule Edit Graph Attention Network: Modeling Chemical Reactions as Sequences of Graph Edits},
author = {Mikołaj Sacha and Mikołaj Błaż and Piotr Byrski and Paweł Dąbrowski-Tumański and Mikołaj Chromiński and Rafał Loska and Paweł Włodarczyk-Pruszyński and Stanisław Jastrzębski},
journal= {arXiv preprint arXiv:2006.15426},
year = {2021}
}