MARS: モチーフに基づく自己回帰モデルによる逆合成予測

創薬における逆合成解析は主要な課題の一つである。既存の多くの手法では、この問題をグラフ生成問題として定式化している。具体的には、これらの方法はまず反応中心を特定し、目標分子に従って切断してシントンを生成する。反応物質は、シントングラフに原子を逐次追加するか、または直接適切な離脱基（leaving groups）を追加することで生成される。しかし、両方の戦略には課題がある。原子を追加することは長い予測シーケンスを生じさせ、生成の難易度が高くなる一方で、離脱基を追加する方法は訓練セットに含まれる離脱基のみを考えられるため、汎化性能が低いという問題がある。本論文では、逆合成解析予測のために新たなエンドツーエンドのグラフ生成モデルを提案する。このモデルは反応中心を逐次的に特定し、シントンを生成し、さらにモチーフをシントンに追加して反応物質を生成する。化学的に意味のあるモチーフは原子よりも大きく、離脱基よりも小さいため、当手法は原子追加よりも低い予測複雑さと離脱基追加よりも高い汎化性能を持つ利点がある。ベンチマークデータセットでの実験結果から、提案されたモデルが以前の最先端アルゴリズムに対して著しく優れていることが示された。