Uni-RXN: A Unified Framework Bridging the Gap between Chemical Reaction Pretraining and Conditional Molecule Generation

要約

化学反応は、医薬品設計および有機化学研究の基本的な構成要素です。
近年、化学反応の基本ルールを効率的に捉える大規模な深層学習フレームワークの必要性が高まっています。
この論文では、反応表現学習と分子生成タスクの両方に対応する統合フレームワークを提案しました。これにより、より全体的なアプローチが可能になります。
有機化学メカニズムに着想を得て、誘導バイアスをモデルに組み込むことを可能にする新しい事前トレーニング フレームワークを開発します。
当社のフレームワークは、困難なダウンストリーム タスクで最先端の結果を達成します。
化学的知識を所有することにより、このフレームワークを反応ベースの生成モデルに適用し、少数の反応テンプレートに依存する現在の分子生成モデルの制限を克服できます。
大規模な実験では、私たちのモデルは高品質の合成可能な薬物のような構造を生成します。
全体として、私たちの研究は、さまざまな反応ベースのアプリケーション向けの大規模な深層学習フレームワークに向けた重要な一歩を示しています。

要約(オリジナル)

Chemical reactions are the fundamental building blocks of drug design and organic chemistry research. In recent years, there has been a growing need for a large-scale deep-learning framework that can efficiently capture the basic rules of chemical reactions. In this paper, we have proposed a unified framework that addresses both the reaction representation learning and molecule generation tasks, which allows for a more holistic approach. Inspired by the organic chemistry mechanism, we develop a novel pretraining framework that enables us to incorporate inductive biases into the model. Our framework achieves state-of-the-art results on challenging downstream tasks. By possessing chemical knowledge, this framework can be applied to reaction-based generative models, overcoming the limitations of current molecule generation models that rely on a small number of reaction templates. In the extensive experiments, our model generates synthesizable drug-like structures of high quality. Overall, our work presents a significant step toward a large-scale deep-learning framework for a variety of reaction-based applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google