通过基于反应条件的对比学习来提高通用反应收益率预测
Xiaodan Yin1,2, Chang-Yu Hsieh3, Xiaorui Wang1,2
1Dr. Neher's Biophysics Laboratory for Innovative Drug Discovery, State Key Laboratory of Quality Research in Chinese Medicine, Macau Institute for Applied Research in Medicine and Health, Macau University of Science and Technology, Macao 999078, China.
这项研究介绍了Egret,Egret是一种新的深度学习模型,用于预测化学反应产量,提高药物和材料设计. 通过准确评估反应路径,Egret 改进了合成规划,解决了当前自动化工具的局限性.
科学领域:
- 计算化学的计算化学
- 化学中的人工智能.
- 化学合成计划 化学合成计划
背景情况:
- 深度学习 (DL) 通过高效的合成规划,为制药和材料设计提供了变革的潜力.
- 当前DL辅助合成规划 (DASP) 算法受到缺乏可靠的自动化途径评估工具的阻碍,特别是对于准确的反应产量预测.
- 产量预测的现有挑战源于高质量的通用反应产量数据集和强大的预测模型的稀缺性.
研究的目的:
- 开发一个强大而准确的反应产量预测器,以提高DASP算法的实用性.
- 策划一个全面的通用反应产量数据集,并提供详细的反应条件信息.
- 将开发的预测器集成到评分函数中,用于评估多步合成路径.
主要方法:
- 策划了一个通用的反应产量数据集,包括12个反应类别和丰富的条件信息.
- 开发了基于BERT的反应产量预测器Egret,使用掩面语言建模和对比学习预训任务.
- 将Egret纳入了一种新的评分功能,用于多步合成路线评估,并采用了一种超学习策略,用于在有限或低质量的数据上改进预测.
主要成果:
- 在基准数据集上,Egret表现出与现有模型相比或优于现有模型的性能,并在新编辑的数据集上取得了最先进的结果.
- 基于反应条件的对比学习增强了Egret对反应条件的敏感性,使其能够区分具有相同反应物/产物但条件不同的反应.
- 收益率内置的评分功能成功优先考虑了高收益率的反应途径,与文献发现保持一致.
结论:
- 埃格雷特为准确的反应产量预测提供了一个强大的解决方案,解决了DASP中的一个关键差距.
- 该模型能够解释微妙的反应条件效应,并将其整合到合成路线评估中的能力突出了其实际实用性.
- 作为下一代DASP工具的关键组件,Egret显示出巨大的潜力,推动制药和材料发现.
更多相关视频
13:54A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM
Published on: August 18, 2023
08:05A Prediction Error-driven Retrieval Procedure for Destabilizing and Rewriting Maladaptive Reward Memories in Hazardous Drinkers
Published on: January 5, 2018
相关概念视频
Predicting Reaction Outcomes
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
Reaction Yield
Concentration and Rate Law
For example, in a generic reaction aA + bB ⟶ products, where a and b are stoichiometric coefficients, the rate law can be written as:
Standard Entropy Change for a Reaction
Predicting Products: Substitution vs. Elimination
The following factors can influence the mechanisms competing against each other:
