최근 허프ield 네트워크를 활용한 소수 및 제로샷 반응 템플릿 예측 향상

관심 있는 분자의 합성 경로를 찾는 것은 새로운 약물 및 물질의 개발에 있어 핵심적인 과정이다. 이러한 경로를 탐색하기 위해 컴퓨터 지원 합성 계획(CASP) 기법이 활용되며, 이는 화학 반응성의 단일 단계 모델에 의존한다. 본 연구에서는 현대 훼프필드 네트워크(Modern Hopfield Networks)를 기반으로 한 템플릿 기반의 단일 단계 역합성 모델을 제안한다. 이 모델은 분자와 반응 템플릿 모두에 대한 인코딩을 학습하여 주어진 분자에 대해 특정 템플릿의 관련성을 예측한다. 템플릿 표현 방식은 다양한 반응 간의 일반화를 가능하게 하며, 특히 학습 예시가 적거나 없는 템플릿에 대해 관련성 예측 성능을 크게 향상시킨다. 기존 방법 대비 수개의 주문 이상 빠른 추론 속도를 제공하며, USPTO-50k 역합성 벤치마크에서 k ≥ 3인 상위-k 정확 매칭 정확도 측면에서 기존 최고 수준의 성능을 개선하거나 동등하게 달성한다. 결과 재현을 위한 코드는 github.com/ml-jku/mhn-react 에 공개되어 있다.