Rücksynthesevorhersage mit bedingtem Graphlogiknetzwerk

Die Retrosynthese ist eines der grundlegenden Probleme in der organischen Chemie. Die Aufgabe besteht darin, Reaktanden zu identifizieren, die zur Synthese eines angegebenen Produktmoleküls verwendet werden können. Kürzlich findet die computergestützte Retrosynthese erneut Interesse sowohl in der Chemie- als auch in der Informatikforschungsgemeinschaft. Die meisten existierenden Ansätze basieren auf vorgefertigten Modellen, die Subgraph-Matching-Regeln definieren, aber ob eine chemische Reaktion tatsächlich stattfinden kann, wird nicht durch starre Entscheidungsregeln bestimmt. In dieser Arbeit schlagen wir einen neuen Ansatz für diese Aufgabe vor, indem wir das bedingte Graphiklogiknetzwerk (Conditional Graph Logic Network) verwenden. Dieses Netzwerk ist ein auf Graphennetzen basierendes bedingtes grafisches Modell, das lernt, wann Regeln aus Reaktionsschablonen angewendet werden sollten und implizit berücksichtigt, ob die resultierende Reaktion sowohl chemisch realisierbar als auch strategisch sinnvoll ist. Wir schlagen außerdem eine effiziente hierarchische Stichprobenziehung vor, um die Berechnungskosten zu reduzieren. Während unser Modell auf dem Benchmark-Datensatz eine signifikante Verbesserung von 8,1 % gegenüber den aktuellen Stand der Technik erreicht, bietet es auch Interpretationen für die Vorhersagen.