Amélioration de la prédiction de modèles de réaction à faible et zéro exemple en utilisant des réseaux Hopfield modernes

La recherche de voies de synthèse pour des molécules d’intérêt est essentielle dans la découverte de nouveaux médicaments et matériaux. Pour identifier de telles voies, on utilise des méthodes assistées par ordinateur pour la planification de synthèse (CASP), qui reposent sur un modèle à une étape de réactivité chimique. Dans cette étude, nous proposons un modèle de rétro-synthèse à une étape fondé sur des réseaux de Hopfield modernes et basé sur des modèles (templates), qui apprennent une représentation conjointe des molécules et des modèles réactionnels afin de prédire la pertinence des templates pour une molécule donnée. La représentation des templates permet une généralisation efficace à travers différentes réactions chimiques et améliore significativement la précision de la prédiction de pertinence des templates, en particulier pour ceux qui disposent de très peu ou de zéro exemple d’entraînement. Grâce à une vitesse d’inférence jusqu’à plusieurs ordres de grandeur plus rapide que les méthodes de référence, notre approche atteint ou dépasse les performances actuelles de l’état de l’art en termes de précision exacte pour les k meilleurs résultats (top-k exact match accuracy) pour k ≥ 3 sur le benchmark de rétro-synthèse USPTO-50k. Le code nécessaire à la reproduction des résultats est disponible à l’adresse github.com/ml-jku/mhn-react.