Apprentissage de modèles de graphes pour la rétro-synthèse sans modèle prédéfini

La prédiction de rétro-synthèse est un problème fondamental en synthèse organique, dont l’objectif consiste à identifier les molécules précurseurs pouvant être utilisées pour synthétiser une molécule cible. Un enjeu clé dans la conception de modèles neuronaux pour cette tâche réside dans l’alignement de la conception du modèle avec les stratégies adoptées par les chimistes. À partir de cette perspective, cet article présente une approche basée sur les graphes, exploitant l’idée que la topologie du graphe des molécules précurseurs reste essentiellement inchangée au cours d’une réaction chimique. Le modèle prédit d’abord l’ensemble des modifications de graphe permettant de transformer la molécule cible en molécules incomplètes appelées synthons. Ensuite, il apprend à compléter ces synthons en ajoutant des groupes partants pertinents. Cette décomposition simplifie l’architecture du modèle, rendant ses prédictions plus interprétables et plus accessibles à une correction manuelle. Notre modèle atteint une précision au top-1 de 53,7 %, surpassant ainsi les méthodes précédentes sans modèle (template-free) et semi-basées sur un modèle.