Chemist-aligned retrosynthesis by ensembling diverse inductive bias models
Created by
Haebom
저자
Krzysztof Maziarz, Guoqing Liu, Hubert Misztela, Austin Tripp, Junren Li, Aleksei Kornev, Piotr Gainski, Holger Hoefling, Mike Fortunato, Rishi Gupta, Marwin Segler
개요
본 논문은 AI 기반 합성 계획 모델의 한계점을 극복하기 위해 새로운 역합성 모델 RetroChimera를 제안합니다. RetroChimera는 상호 보완적인 유도적 편향을 가진 두 가지 새롭게 개발된 구성 요소를 기반으로 하며, 학습 기반 앙상블 전략을 통해 여러 소스의 예측을 통합하는 새로운 프레임워크를 사용하여 결합됩니다. 실험 결과, RetroChimera는 기존 주요 모델들을 크게 능가하며, 훈련 데이터 외부에서도 강력한 성능을 보이고, 각 반응 클래스에 대한 예제 수가 매우 적더라도 학습할 수 있는 능력을 최초로 입증했습니다. 또한, 산업 유기 화학자들은 RetroChimera의 예측을 훈련 데이터의 반응보다 더 선호하여 높은 수준의 정합성을 보여줍니다. 마지막으로, 주요 제약 회사의 내부 데이터셋에 대한 제로샷 전이를 통해 분포 이동 하에서도 강력한 일반화 능력을 보여줍니다.
시사점, 한계점
•
시사점:
◦
기존 AI 기반 합성 계획 모델의 한계점인 희귀 반응 및 잘못된 예측 문제를 효과적으로 해결.
◦
소량의 데이터로도 학습 가능, 데이터 효율성 증대.
◦
산업계 전문가의 선호도를 통해 모델의 신뢰성 및 실용성 검증.
◦
제로샷 전이를 통한 일반화 능력 향상 및 폭넓은 적용 가능성.
◦
다양한 데이터 규모와 분할 전략에서 뛰어난 성능을 보이는 강건성 확보.
◦
앙상블 프레임워크를 통한 더욱 정확한 모델 개발 가속화 가능성 제시.
•
한계점:
◦
본 논문에서 제시된 RetroChimera 모델의 성능이 특정 데이터셋과 조건에 국한될 가능성.
