템플릿 불필요한 후합성 설계를 위한 그래프 모델 학습

후보 합성 경로 예측은 유기 합성에서 핵심적인 문제로, 목표 분자로부터 합성 가능한 전구체 분자를 식별하는 것을 목표로 한다. 이 작업을 위한 신경망 모델을 구축할 때 중요한 고려사항은 모델 설계를 화학자가 실제 사용하는 전략과 일치시키는 것이다. 본 논문은 이 관점을 바탕으로, 반응 과정에서 전구체 분자의 그래프 구조가 크게 변화하지 않는다는 아이디어를 활용하는 그래프 기반 접근법을 제안한다. 모델은 먼저 목표 분자를 부분적으로 분해된 분자인 ‘시노톤(synthon)’으로 변환하는 그래프 편집 집합을 예측한다. 이후 모델은 관련 이탈기( leaving group)를 첨가함으로써 시노톤을 완전한 분자로 확장하는 방식으로 학습한다. 이러한 분해 방식은 모델 아키텍처를 단순화하여 예측 결과의 해석 가능성을 높이며, 수동 보정에도 용이하게 만든다. 제안하는 모델은 탑-1 정확도 53.7%를 달성하여 기존의 템플릿 기반 및 반-템플릿 기반 방법들을 모두 능가한다.