RetroGFN：使用GFlowNets进行多样且可行的逆合成分析
机器学习
2025-04-15 v2
摘要
单步逆合成旨在预测生成目标分子的一系列反应，这是分子发现中的关键任务。尽管目标分子通常可以通过多种不同的反应合成，但如何验证反应的可行性尚不明确，因为可用数据集仅覆盖了可能解决方案的极小部分。因此，现有模型未能充分探索可能的反应空间。在本文中，我们提出了一种新颖的单步逆合成模型RetroGFN，该模型能够在训练过程中利用可行性代理模型探索有限数据集之外的空间，并返回一组多样化的可行反应。我们表明，RetroGFN在标准top-k准确率上取得了有竞争力的结果，同时在往返准确率上优于现有方法。此外，我们提供了支持使用往返准确率的实证论据，该指标相对于标准top-k准确率指标扩展了可行性的概念。
引用
@article{arxiv.2406.18739,
title = {RetroGFN: Diverse and Feasible Retrosynthesis using GFlowNets},
author = {Piotr Gaiński and Michał Koziarski and Krzysztof Maziarz and Marwin Segler and Jacek Tabor and Marek Śmieja},
journal= {arXiv preprint arXiv:2406.18739},
year = {2025}
}