无需模板的逆合成过程中的图模型学习

逆合成预测是有机合成中的一个基础性问题，其任务是识别可用于合成目标分子的前体分子。在构建神经网络模型时，一个关键考量是使模型设计与化学家实际采用的策略保持一致。基于这一观点，本文提出了一种基于图结构的方法，该方法利用了前体分子在化学反应过程中其图拓扑结构基本保持不变这一特性。该模型首先预测将目标分子转化为称为“合成子”（synthons）的不完整分子所需的图编辑操作集合；随后，模型学习通过连接相应的离去基团，将这些合成子扩展为完整的分子。这种分解方式简化了模型架构，使其预测结果更具可解释性，同时也便于人工修正。实验结果表明，该模型在顶1准确率上达到53.7%，优于以往的无模板（template-free）和半模板（semi-template-based）方法。