Prédiction de la rétrosynthèse avec un cadre d'apprentissage profond interprétable basé sur des tâches d'assemblage moléculaire

L'automatisation de la rétrosynthèse avec l'intelligence artificielle accélère la recherche en chimie organique dans les laboratoires numériques. Cependant, la plupart des approches existantes en apprentissage profond sont difficiles à expliquer, comme une « boîte noire » avec peu d'insights. Ici, nous proposons RetroExplainer, formulant la tâche de rétrosynthèse en un processus d'assemblage moléculaire, contenant plusieurs actions rétrosynthétiques guidées par l'apprentissage profond. Pour garantir une performance robuste de notre modèle, nous proposons trois unités : un Graph Transformer multi-sensoriel et multi-échelle, un apprentissage contrastif conscient de la structure, et un apprentissage adaptatif multi-tâches dynamique. Les résultats sur 12 ensembles de données de référence à grande échelle démontrent l'efficacité de RetroExplainer, qui surpasse les approches de rétrosynthèse à étape unique à la pointe de la technologie. De plus, le processus d'assemblage moléculaire offre à notre modèle une bonne interprétabilité, permettant une prise de décision transparente et une attribution quantitative. Lorsqu'il est étendu à la planification de rétrosynthèse à plusieurs étapes, RetroExplainer a identifié 101 voies, dont 86,9 % des réactions uniques correspondent à celles déjà rapportées dans la littérature. En conséquence, il est prévu que RetroExplainer offre des insights précieux pour une synthèse organique fiable, à haut débit et de haute qualité dans le développement de médicaments.