节点对齐图到图（NAG2G）：提升单步逆合成中无模板深度学习方法
机器学习
2024-03-27 v2 化学物理
定量方法
摘要
有机化学中的单步逆合成（SSR）正日益受益于计算机辅助合成设计中的深度学习（DL）技术。尽管无模板 DL 模型在逆合成预测中灵活且具前景，它们常忽略关键的二维分子信息，并在节点生成的原子对齐上遇到困难，导致性能低于基于模板和半模板的方法。为解决这些问题，我们提出基于 transformer 的无模板 DL 模型——节点对齐图到图（Node-Aligned Graph-to-Graph，NAG2G）。NAG2G 结合二维分子图与三维构象以保留全面的分子细节，并通过节点对齐引入产物-反应物原子映射，以自回归方式确定逐节点图输出过程的顺序。通过严格的基准测试和详细案例研究，我们证明 NAG2G 在大规模数据集 USPTO-50k 和 USPTO-FULL 上以卓越的预测精度脱颖而出。此外，该模型成功预测多种药物候选分子的合成路径，凸显了其实际效用。这不仅证明了 NAG2G 的鲁棒性，也展现了其在未来合成路线设计任务中变革复杂化学合成过程预测的潜力。
引用
@article{arxiv.2309.15798,
title = {Node-Aligned Graph-to-Graph (NAG2G): Elevating Template-Free Deep Learning Approaches in Single-Step Retrosynthesis},
author = {Lin Yao and Wentao Guo and Zhen Wang and Shang Xiang and Wentan Liu and Guolin Ke},
journal= {arXiv preprint arXiv:2309.15798},
year = {2024}
}