SemiRetro：半模板框架提升深度逆合成预测性能
机器学习
2022-02-17 v1 人工智能
摘要
近来，基于模板（TB）与无模板（TF）的分子图学习方法在逆合成中展现出良好前景。TB 方法利用预编码的反应模板更为准确，TF 方法通过将逆合成分解为子问题（即中心识别与合成子补全）而更具可扩展性。为结合 TB 与 TF 两者优势，我们建议将完整模板拆解为若干半模板，并将其嵌入两步 TF 框架中。由于许多半模板是重复的，可在降低模板冗余的同时保留本质化学知识以辅助合成子补全。我们称该方法为 SemiRetro，引入一种新的 GNN 层（DRGAT）以增强中心识别，并提出一种新颖的自校正模块以改善半模板分类。实验结果表明，SemiRetro 显著优于现有 TB 与 TF 方法。在可扩展性方面，SemiRetro 使用 150 个半模板覆盖 98.9% 数据，而先前基于模板的 GLN 需 11,647 个模板才能覆盖 93.3% 数据。在 top-1 准确率上，SemiRetro 超出无模板 G2G 4.8%（类别已知）与 6.0%（类别未知）。此外，SemiRetro 具有优于现有方法的训练效率。
引用
@article{arxiv.2202.08205,
title = {SemiRetro: Semi-template framework boosts deep retrosynthesis prediction},
author = {Zhangyang Gao and Cheng Tan and Lirong Wu and Stan Z. Li},
journal= {arXiv preprint arXiv:2202.08205},
year = {2022}
}