![](https://img-blog.csdnimg.cn/2019091813595558.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
合成+逆合成
文章平均质量分 81
有机反应预测,反预测
飞越太平洋.
这个作者很懒,什么都没留下…
展开
-
【Nature Chemistry 2023】Enabling late-stage drug diversification by high-throughput experimentation w
其中,C-H键硼化被认为是最通用的快速化合物多样化方法。与传统实验形式相比,高通量实验(High-throughput experimentation, HTE)能实现半自动化的快速高效率筛选,可生成成功和失败反应的高质量数据集,结合数据分析和机器学习,就有希望释放LSF用于药物发现的巨大潜力。后期官能团化(Late-stage functionalization, LSF)是优化药物特性和探究构效关系的便捷途径:药物化学中的LSF方法包括氟化、胺化、芳基化、甲基化、三氟甲基化、硼化、酰化和氧化。原创 2024-01-23 18:14:36 · 371 阅读 · 0 评论 -
【NMI 2023】Bridging the gap between chemical reaction pretraining and conditional molecule generation
主要有两部分:In short, Our model provides an efficient and effective workflow for generating chemical analogues by sampling reactions and predicting the results sequentially.在化学上,反应的"response"通常指的是产生的产物或变化。在这个上下文中,它可能指的是对给定的化学反应条件(如特定的反应物和试剂)所预期的产物。原创 2024-01-20 15:31:17 · 798 阅读 · 0 评论 -
预训练+微调 逆合成预测
我们设计了三个预训练任务,即molecule recovery(MR)、auto-regression(AR)和contrastive classifcation(CC)。MR和AR在编码器和解码器上进行预训练,CC是在一批数据中学习的,类似于模型的正则化。这三个预训练任务同时优化。具体来说,我们通过分子重构(molecule reconstruction)预训练任务来执行原子守恒规则(atom conservation rule),通过反应类型引导的对比预训练任务来指导反应中心的反应规则。原创 2023-10-26 11:28:21 · 142 阅读 · 0 评论 -
【文献阅读】【NC 2023】基于分子组装的可解释深度学习方法实现精准逆合成预测以及路径规划
paper:Retrosynthesis prediction with an interpretable deep-learning framework based on molecular assembly tasks | Nature CommunicationsRetrosynthesis prediction with an interpretable deep-learning framework based on molecular assembly tasks原创 2023-10-21 08:39:26 · 1023 阅读 · 1 评论 -
【文献阅读】【NMI 2022】LocalTransform :基于广义模板的有机反应性准确预测图神经网络
Nature子刊:机器学习助力化学家精准预测有机反应结果Nat. Mach. Intel. | 基于广义模板的图形神经网络用于准确的有机反应性预测原创 2023-10-08 15:07:09 · 292 阅读 · 0 评论