Neurale-symbolische maschinelles Lernen für Retrosynthese und Reaktionsvorhersage

Zusammenfassung Die Reaktionsvorhersage und Retrosynthese sind die Grundpfeiler der organischen Chemie. Regelbasierte Expertensysteme waren bisher der weit verbreitetste Ansatz, um diese beiden miteinander verbundenen Herausforderungen rechnerisch zu lösen. Allerdings scheitern Reaktionsregeln oft, da sie den molekularen Kontext ignorieren, was zu Reaktivitätskonflikten führt. Hier berichten wir, dass tiefe neuronale Netzwerke lernen können, Reaktivitätskonflikte zu lösen und die geeignetsten Transformationsregeln zu priorisieren. Wir zeigen, dass unser Modell durch das Training mit 3,5 Millionen Reaktionen, die aus dem kollektiven veröffentlichten Wissen der gesamten Disziplin Chemie stammen, eine Top-10-Genauigkeit von 95 % in der Retrosynthese und 97 % für die Reaktionsvorhersage auf einem Validierungsdatensatz von fast 1 Million Reaktionen aufweist.