توقع التوليف العكسي باستخدام بنية مولدة رسومية نهاية إلى نهاية لتحرير الرسوم الجزيئية

تخطيط التوليف العكسي، وهو عملية تحديد مجموعة من التفاعلات المتاحة لتوليف الجزيئات الهدف، لا يزال يمثل تحديًا رئيسيًا في التوليف العضوي. مؤخرًا، اكتسبت خطط التوليف المدعومة بالحاسوب اهتمامًا متجددًا وتم اقتراح مجموعة متنوعة من خوارزميات توقع التوليف العكسي المستندة إلى التعلم العميق. ومع ذلك، فإن معظم الطرق الموجودة محدودة في قابلية التطبيق وتفسير توقعات النموذج، ولا يزال هناك حاجة إلى تحسين دقة التوقعات إلى مستوى أكثر عملية. في هذا العمل، مستوحاة من الشكل الهندسي لدفع السهام في آليات التفاعل الكيميائي، نقدم بنية نهاية إلى نهاية لتوقع التوليف العكسي تُدعى Graph2Edits. بشكل محدد، تعتمد Graph2Edits على شبكة عصبية رسومية لتوقع التعديلات على رسم المنتج بطريقة تكرارية، وتولد بالتتابع الوسائط التحويلية والمتفاعلات النهائية وفقًا لتسلسل التعديلات المتوقعة. تجمع هذه الاستراتيجية بين العمليتين ذوات المرحلتين في أساليب القالب النصفية في تعلم وعاء واحد، مما يحسن قابلية التطبيق في بعض التفاعلات المعقدة، ويجعل توقعاته أيضًا أكثر قابلية للتفسير. عند تقييمها على مجموعة البيانات المرجعية القياسية USPTO-50k، يحقق نموذجنا أداءً متقدمًا لتوقع التوليف العكسي المعتمد على القالب النصفي بدقة واعدة تبلغ 55.1% في أعلى مستوى.