Retroformer：推动可解释端到端逆合成 Transformer 的极限
化学物理
2022-02-01 v1 机器学习
摘要
逆合成预测是有机合成中的基本挑战之一。该任务是给定核心产物预测反应物。随着机器学习的进步，计算机辅助合成规划获得了越来越多的关注。许多方法被提出以不同水平的对额外化学知识的依赖来解决此问题。在本文中，我们提出 Retroformer，一种基于 Transformer 的新型架构，用于逆合成预测，不依赖任何用于分子编辑的化学信息学工具。通过所提出的局部注意力头，该模型可以联合编码分子序列与图，并在局部反应区域与全局反应上下文之间高效交换信息。Retroformer 在端到端无模板逆合成上达到了新的最先进精度，并在更好的分子和反应有效性上超越了许多强基线。此外，其生成过程高度可解释和可控。总体而言，Retroformer 推动了深度生成模型的反应推理能力的极限。
引用
@article{arxiv.2201.12475,
title = {Retroformer: Pushing the Limits of Interpretable End-to-end Retrosynthesis Transformer},
author = {Yue Wan and Benben Liao and Chang-Yu Hsieh and Shengyu Zhang},
journal= {arXiv preprint arXiv:2201.12475},
year = {2022}
}