نموذج الجرافات إلى التسلسل الثابت بالتبديل للتحليل العكسي للمواد الكيميائية وتنبؤ реакحاتها دون القوالب

التخطيط للتركيب والتوقع الناتج عن реакtion هي مشكلتان أساسيتان في الكيمياء العضوية المدعومة بالحاسوب، وقد ظهرت العديد من الأساليب القائمة على البيانات لحلهما. تؤدي الأساليب القائمة على اللغة الطبيعية التي تُصوِّر كل مشكلة كترجمة من SMILES إلى SMILES إلى صياغة بسيطة من البداية إلى النهاية، وتقلل الحاجة إلى معالجة البيانات المسبقة، وتمكِّن من استخدام هياكل نماذج الترجمة الآلية المحسَّنة جيدًا. ومع ذلك، فإن تمثيلات SMILES ليست تمثيلًا فعالًا لجمع المعلومات حول الهياكل الجزيئية، كما يدل على ذلك نجاح تعزيز SMILES في زيادة الأداء التجريبي. في هذا السياق، نصف نموذج Graph2SMILES الجديد الذي يجمع بين قوة نماذج Transformer في إنشاء النص والثبات تحت التبديل للمشفرات الرسومية الجزيئية التي تخفف الحاجة إلى تعزيز بيانات الإدخال. يمكن استخدام Graph2SMILES كهيئة من البداية إلى النهاية كبديل مباشر لنموذج Transformer في أي مهمة تتضمن تحويلات من جزيء أو أكثر إلى جزيء أو أكثر. في مشفرنا، يتم التقاط البيئات الكيميائية المحلية بواسطة شبكة عصبية مرور رسائل موجهة ومُعززة بالانتباه (D-MPNN)، ويسمح المشفر العالمي بالانتباه للتفاعلات طويلة المدى والتفاعلات بين الجزيئات، معززة بمتجه موقع مدرك للرسم البياني. يحسن Graph2SMILES دقة المرتبة الأولى لنماذج Transformer الأساسية بنسبة 1.7٪ و1.9٪ للتوقع الناتج عن التفاعل على قاعدة بيانات USPTO_480k وUSPTO_STEREO على التوالي، وبالنسبة 9.8٪ للكشف الرجعي ذو الخطوة الواحدة على قاعدة بيانات USPTO_50k.