MARS: Ein motivbasierter autoregressiver Modell für die retrosynthesevorhersage

Die Retrosynthese ist eine wichtige Aufgabe im Bereich der Arzneimittelentwicklung. Viele bestehende Ansätze formulieren sie als ein Problem der Graphenerzeugung. Insbesondere identifizieren diese Methoden zunächst das Reaktionszentrum und zerlegen das Zielmolekül entsprechend, um Synthone zu erzeugen. Die Reaktanden werden durch sequenzielles Hinzufügen von Atomen zu den Synthon-Graphen oder direkt durch Hinzufügen geeigneter Abgangsgruppen erzeugt. Beide Strategien haben jedoch Nachteile: Das sequenzielle Hinzufügen von Atomen führt zu einer langen Vorhersagefolge, was die Generierung erschwert, während das Hinzufügen von Abgangsgruppen nur diejenigen aus dem Trainingsdatensatz berücksichtigen kann, was eine geringere Generalisierungskapazität zur Folge hat. In dieser Arbeit schlagen wir ein neues end-to-end-Modell für die Graphenerzeugung zur Retrosynthesevor, das sequenziell das Reaktionszentrum identifiziert, Synthone erzeugt und Motive zu den Synthonen hinzufügt, um Reaktanden zu erzeugen. Da chemisch bedeutsame Motive größer als Atome und kleiner als Abgangsgruppen sind, profitiert unsere Methode von einer geringeren Vorhersagekomplexität im Vergleich zum Hinzufügen von Atomen und bietet eine bessere Generalisierung als das Hinzufügen von Abgangsgruppen. Experimente mit einem Benchmark-Datensatz zeigen, dass das vorgeschlagene Modell signifikant besser abschneidet als bisherige state-of-the-art-Algorithmen.