分子グラフ拡張トランスフォーマーを用いた逆合成予測

化学において、合成経路の可能性は膨大であるため、逆合成予測は依然として研究者にとって挑戦的な課題である。近年、逆合成予測は機械翻訳（Machine Translation: MT）のタスクとして定式化されている。具体的には、分子は簡略化分子入力ラインエントリーシステム（Simplified Molecular-Input Line-Entry System: SMILES）文字列として表現可能であるため、合成プロセスは反応物から生成物への言語翻訳プロセスに類比される。しかし、SMILESデータに適用された従来のMTモデルは、原子間の自然な結合関係や分子のトポロジー情報を無視しがちである。本研究では、分子の順序的構造とグラフ的構造の両方の情報を活用する「グラフ強化型トランスフォーマー（Graph Enhanced Transformer: GET）」フレームワークを提案する。本研究では、SMILES表現と、我々が改良したグラフニューラルネットワーク（Graph Neural Network: GNN）から学習した原子埋め込みを融合する4種類のGET設計を提案している。実験結果から、本モデルがテスト精度において従来のトランスフォーマーモデルを顕著に上回ることが示された。