增强化学合成:一个两阶段的深度神经网络,用于预测可行的反应条件
Lung-Yi Chen1, Yi-Pei Li2,3
1Department of Chemical Engineering, National Taiwan University, No. 1, Sec. 4, Roosevelt Road, Taipei, 10617, Taiwan.
Journal of cheminformatics
|January 24, 2024
概括
本研究引入了一种深度学习模型,用于预测化学反应条件,包括试剂,溶剂和温度. 该模型准确地表明了可行的条件,推进了化学合成规划.
科学领域:
- 化学合成规划 化学合成规划
- 反应工程的反应工程.
- 计算化学是一种计算化学.
背景情况:
- 准确的反应条件预测对于成功的化学合成至关重要.
- 现有的方法面临着有限数据的挑战,特别是对于不利的反应环境.
研究的目的:
- 开发一种创新的深度学习方法,用于预测化学反应中的试剂,溶剂和温度.
- 根据预期的产品产量提供量身定制的反应条件建议.
- 通过数据增强,解决负面反应环境中的数据稀缺问题.
主要方法:
- 使用了多标签分类模型与排名模型相结合.
- 采用了硬负采样,以改善在具有挑战性的情况下的模型性能.
- 该模型经过训练,根据预期的产品收益率预测相关性得分.
主要成果:
- 该模型在前10个预测中的溶剂和试剂中实现了73%的准确匹配.
- 在89%的测试案例中,温度预测在记录温度的±20°C范围内.
- 该模型展示了推多个可行的反应条件的能力,并提出了新的替代方案.
结论:
- 开发的深度学习模型通过提供准确和量身定制的反应条件建议,显著提高了化学合成规划.
- 对负面反应环境的数据增强的新方法为数据稀缺提供了强大的解决方案.
- 这项工作有可能激发化学研究和反应工程的创新策略.
