用于无模板逆合成与反应预测的置换不变图到序列模型
机器学习
2021-10-20 v1
摘要
合成规划与反应结果预测是计算机辅助有机化学中的两个基本问题，已有多种数据驱动方法出现。将每个问题建模为SMILES到SMILES翻译的自然语言方法带来了简单的端到端形式，减少了对数据预处理的需求，并能够使用经过充分优化的机器翻译模型架构。然而，SMILES表示并非捕获分子结构信息的有效表示，SMILES增强可提升经验性能的成功便证明了这一点。在此，我们描述了一种新颖的Graph2SMILES模型，它结合了Transformer模型用于文本生成的强大能力与分子图编码器的置换不变性，从而减轻了对输入数据增强的需求。作为一个端到端架构，Graph2SMILES可用作任何涉及分子到分子转换任务中Transformer的直接替代。在我们的编码器中，注意力增强的有向消息传递神经网络（D-MPNN）捕获局部化学环境，全局注意力编码器允许长程与分子间相互作用，并由图感知位置嵌入增强。Graph2SMILES在USPTO_480k和USPTO_STEREO数据集上将反应结果预测的Transformer基线top-1准确率分别提高了1.7%和1.9%，并在USPTO_50k数据集上将一步逆合成的准确率提高了9.8%。
引用
@article{arxiv.2110.09681,
title = {Permutation invariant graph-to-sequence model for template-free retrosynthesis and reaction prediction},
author = {Zhengkai Tu and Connor W. Coley},
journal= {arXiv preprint arXiv:2110.09681},
year = {2021}
}