分子图增强的Transformer用于逆合成预测

在化学领域，存在海量潜在的合成路径，因此逆合成预测仍是研究者面临的一大挑战。近年来，逆合成预测被建模为机器翻译（Machine Translation, MT）任务：由于每个分子均可表示为简化的分子输入线性系统（Simplified Molecular-Input Line-Entry System, SMILES）字符串，合成过程被类比为从反应物到产物的语言翻译过程。然而，现有的应用于SMILES数据的MT模型通常忽略了分子中原子间的自然连接关系及其拓扑结构信息。为此，本文提出一种图增强Transformer（Graph Enhanced Transformer, GET）框架，该框架同时利用分子的序列信息与图结构信息。我们设计了四种不同的GET模型，通过将SMILES表示与基于改进图神经网络（Graph Neural Network, GNN）学习得到的原子嵌入进行融合，以增强模型表达能力。实验结果表明，所提出的模型在测试准确率上显著优于传统Transformer模型。