Prédiction de l'accessibilité synthétique des composés organiques basée sur le mécanisme de l'attention graphique

Une estimation précise de l'accessibilité synthétique des petites molécules est nécessaire à de nombreuses phases de la découverte de médicaments. Plusieurs méthodes de notation élaborées par des experts et des modèles de relation structure-activité quantitative (QSAR) basés sur des descripteurs ont été développés pour l'évaluation de l'accessibilité synthétique, mais leurs applications pratiques dans la découverte de médicaments restent encore assez limitées en raison de la précision de prédiction relativement basse et de la mauvaise interprétabilité des modèles. Dans cette étude, nous proposons un cadre de prédiction interprétable basé sur les données appelé GASA (évaluation de l'accessibilité synthétique basée sur l'attention graphique) pour évaluer l'accessibilité synthétique des petites molécules en distinguant les composés faciles (ES) ou difficiles à synthétiser (HS). GASA est une architecture de réseau neuronal graphique (GNN) qui effectue une déduction des auto-caractéristiques en appliquant un mécanisme d'attention pour capturer automatiquement les caractéristiques structurelles les plus importantes liées à l'accessibilité synthétique. L'échantillonnage autour de la frontière de classification hypothétique a été utilisé pour améliorer la capacité de GASA à distinguer les molécules structurellement similaires. GASA a été largement évalué et comparé à deux méthodes d'apprentissage automatique basées sur des descripteurs (forêt aléatoire, RF ; gradient boosting extrême, XGBoost) et à quatre scores existants (SYBA : Accessibilité Bayésienne Synthétique ; SCScore : score de Complexité Synthétique ; RAscore : score d'accessibilité rétrosynthétique ; SAscore : score d'accessibilité synthétique). Notre analyse démontre que GASA a obtenu des performances remarquables pour distinguer les molécules similaires par rapport à d'autres méthodes et avait un domaine d'applicabilité plus large. De plus, nous montrons comment GASA apprend les caractéristiques importantes qui affectent l'accessibilité synthétique des molécules en assignant des poids d'attention à différents atomes. Un service de prédiction en ligne pour GASA a été proposé sur http://cadd.zju.edu.cn/gasa/.