UAlign：利用无监督SMILES对齐推动无模板逆合成预测的极限
化学物理
2024-04-22 v2 人工智能
机器学习
定量方法
摘要
动机：逆合成规划在有机化学工业中构成巨大挑战。单步逆合成预测作为规划过程中的关键步骤，近年来因人工智能在科学中的进展而受到广泛关注。近年来，针对该任务提出了各种基于深度学习的方法，它们融入了不同层次的额外化学知识依赖。结果：本文介绍了UAlign，一种用于逆合成预测的无模板图到序列管道。通过结合图神经网络和Transformer，我们的方法能更有效地利用分子固有的图结构。基于化学反应中大多数分子结构保持不变的事实，我们提出了一种简单而有效的SMILES对齐技术，以促进反应物生成中未改变结构的重用。大量实验表明，我们的方法显著优于最先进的无模板和半模板方法。重要的是，我们的无模板方法达到了与已建立的强大模板方法相当甚至更优的效果。科学贡献：我们提出了一种新颖的图到序列无模板逆合成预测管道，克服了基于Transformer的方法在分子表示学习和化学信息利用不足方面的局限性。我们提出了一种无监督学习机制，用于建立产物原子与反应物SMILES标记的对应关系，其效果甚至优于有监督的SMILES对齐方法。大量实验表明，UAlign显著优于最先进的无模板方法，并与模板方法相当或超越，在最强基线上准确率提升高达5%（top-5）和5.4%（top-10）。
引用
@article{arxiv.2404.00044,
title = {UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment},
author = {Kaipeng Zeng and Bo yang and Xin Zhao and Yu Zhang and Fan Nie and Xiaokang Yang and Yaohui Jin and Yanyan Xu},
journal= {arXiv preprint arXiv:2404.00044},
year = {2024}
}