Lernen von Graphmodellen für templatefreie Retro-synthese

Die retrosynthetische Vorhersage stellt ein zentrales Problem der organischen Synthese dar, bei dem die Aufgabe darin besteht, Vorläufermoleküle zu identifizieren, die zur Synthese eines Zielmoleküls verwendet werden können. Ein entscheidender Aspekt bei der Entwicklung neuronaler Modelle für diese Aufgabe ist die Anpassung des Modellentwurfs an die Strategien, die von Chemikern angewendet werden. Ausgehend von dieser Perspektive präsentiert dieser Artikel einen graphbasierten Ansatz, der darauf beruht, dass die Graphtopologie der Vorläufermoleküle während einer chemischen Reaktion weitgehend unverändert bleibt. Das Modell prognostiziert zunächst die Menge an Graph-Edit-Operationen, die das Zielmolekül in sogenannte „Synthons“ – unvollständige Moleküle – überführen. Anschließend lernt das Modell, diese Synthons durch Anfügen relevanter Abgangsgruppen zu vollständigen Molekülen zu erweitern. Diese Zerlegung vereinfacht die Architektur, macht die Vorhersagen interpretierbarer und ermöglicht zudem eine manuelle Korrektur. Unser Modell erreicht eine Top-1-Genauigkeit von 53,7 % und übertrifft damit bisherige templatefreie sowie halb-templatebasierte Ansätze.