تنبؤ التفاعلات الرجعية باستخدام نماذج التسلسل العصبية إلى التسلسل

نقوم بوصف نموذج مُستند بالكامل إلى البيانات يتعلم أداء مهمة التنبؤ بالردود الفعل الرجعية التحليلية، والتي يتم التعامل معها كمشكلة تعيين متتالية إلى متتالية (sequence-to-sequence). النموذج المدرب من البداية إلى النهاية يحتوي على هيكل مُشفر-مُفكك يتكون من شبكتين عصبيتين متكررتين (Recurrent Neural Networks)، وقد أثبت هذا الهيكل نجاحًا كبيرًا في حل مشاكل التنبؤ الأخرى التي تعتمد على تعيين المتتابعات مثل ترجمة الآلة. يتم تدريب النموذج على 50,000 مثال من ردود الفعل التجريبية المستخرجة من أدبيات براءات الاختراع الأمريكية، والتي تغطي 10 أنواع واسعة من ردود الفعل التي يستخدمها الكيميائيون الدوائيون بشكل شائع. نجد أن نموذجنا يؤدي بشكل مكافئ لنظام الخبراء القائم على القواعد كنموذج أولي للمقارنة، كما أنه يتجاوز بعض القيود المرتبطة بنظم الخبراء القائمة على القواعد وأي نهج للتعلم الآلي يحتوي على مكون قائم على نظام خبراء قائم على القواعد. يقدم نموذجنا خطوة مهمة أولى نحو حل المشكلة الصعبة للتحليل الرجعي الحاسوبي للردود الفعل الكيميائية.