SB-Net:将CNN和LSTM网络协同使用,以发现有机合成中的回合成途径

科学领域:

• 计算化学的计算化学
• 化学中的人工智能.

背景情况:

• 反合成对于设计药物发现和材料科学中的合成路径至关重要.
• 现有的模型往往无法捕捉多层次的分子特征,限制了它们的预测准确性.
• 需要先进的计算模型来改善回复合成预测.

研究的目的:

• 开发一个深度学习模型,SB-Net,用于准确的回归合成预测.
• 解决当前模型在多尺度特征提取方面的局限性.
• 为了提高化学合成反应路径设计的效率.

主要方法:

• 这是一个深度学习架构,结合了卷积神经网络 (CNN) 和双向长期短期记忆 (Bi-LSTM) 网络.
• 单热编码描述符和扩展连接指纹 (ECFP) 的并行处理分支的集成.
• 用USPTO-50k和MetaNetX数据集进行模型培训和评估.

主要成果:

• 在USPTO-50k数据集上,SB-Net实现了73.6%的top-1和94.6%的top-10精度.
• 在MetaNetX数据集上,SB-Net显示了52.8%的top-1,74.3%的top-3,79.8%的top-5和83.5%的top-10准确度.
• 该模型在生物甲基合成预测任务中显示出显著的有效性.

结论:

• 在SB-Net中,SB-Net代表了用于回合成预测的计算化学的重大进步.
• 该模型能够捕捉多个尺度的分子特征,从而实现了卓越的性能.
• SB-Net提供了一个强大而高效的工具,可以加速药物发现和合成规划.