분자 편집 그래프 어텐션 네트워크: 화학 반응을 그래프 편집 시퀀스로 모델링

자동 합성 계획의 중앙적인 과제는 다양한 화학 반응의 생성과 결과 예측을 할 수 있는 능력입니다. 특히, 많은 경우에 추가적인 제약 조건으로 인해 가장 가능성이 높은 합성 경로를 적용할 수 없어 대안적인 화학 반응을 제안해야 하는 상황이 발생합니다. 이 점을 고려하여, 우리는 분자 편집 그래프 어텐션 네트워크(MEGAN, Molecule Edit Graph Attention Network)라는 엔드투엔드 인코더-디코더 신경망 모델을 소개합니다. MEGAN은 화학 반응을 그래프 편집의 시퀀스로 표현하는 모델들에서 영감을 받았으며, 이는 화살표 밀기 형식과 유사합니다. 우리는 이 모델을 역합성 예측(화학 반응의 제품이 주어졌을 때 기질을 예측하는 것)으로 확장하고 대규모 데이터셋에 적용하였습니다. 우리는 화학 반응을 편집 시퀀스로 표현함으로써 MEGAN이 가능한 화학 반응 공간을 효율적으로 탐색할 수 있으며, 엔드투엔드 방식으로 반응 모델링의 유연성을 유지하면서 표준 벤치마크에서 최고 수준의 정확도를 달성할 수 있다고 주장합니다. 코드와 학습된 모델은 https://github.com/molecule-one/megan에서 온라인으로 제공됩니다.