Le taux de précision atteint 60,8 %. Le modèle de prédiction de rétrosynthèse chimique de l'Université du Zhejiang basé sur Transformer a été publié dans la sous-journal Nature.

Éditeur | KX

La rétrosynthèse est une tâche essentielle dans la découverte de médicaments et la synthèse organique, et l'IA est de plus en plus utilisée pour accélérer le processus.

Les méthodes d'IA existantes ont des performances insatisfaisantes et une diversité limitée. En pratique, les réactions chimiques provoquent souvent des modifications moléculaires locales, avec un chevauchement considérable entre les réactifs et les produits.

Inspirée par cela, l’équipe de Hou Tingjun de l’Université du Zhejiang a proposé de redéfinir la prédiction rétrosynthétique en une seule étape en tant que tâche d’édition de chaînes moléculaires, et d’affiner de manière itérative la chaîne moléculaire cible pour générer des composés précurseurs. Et un modèle rétrosynthétique basé sur l'édition, EditRetro, est proposé, qui permet d'obtenir des prédictions diverses et de haute qualité.

Des expériences approfondies montrent que le modèle atteint d'excellentes performances sur l'ensemble de données de référence standard USPTO-50 K, avec une précision top 1 de 60,8 %.

Les résultats montrent qu'EditRetro présente de bonnes capacités de généralisation et une bonne robustesse, soulignant son potentiel dans le domaine de la planification de la synthèse chimique pilotée par l'IA.

Une recherche connexe intitulée « Prédiction de la rétrosynthèse avec un modèle d'édition de chaînes itératif » a été publiée dans « Nature Communications » le 30 juillet.

Lien papier : https://www.nature.com/articles/s41467-024-50617-1

La conception de voies de synthèse moléculaire est une tâche importante dans la synthèse organique, qui est importante pour la biomédecine et les produits pharmaceutiques. et cela revêt une grande importance dans divers domaines tels que l’industrie des matériaux.

L'analyse rétrosynthétique est la méthode la plus utilisée pour développer des voies de synthèse. Il s’agit d’utiliser des réactions établies pour décomposer de manière itérative des molécules en précurseurs plus simples et plus faciles à synthétiser.

Ces dernières années, la rétrosynthèse pilotée par l'IA a facilité l'exploration de molécules plus complexes, réduisant considérablement le temps et les efforts nécessaires à la conception d'expériences de synthèse. La prédiction de la rétrosynthèse en une seule étape constitue une partie importante de la planification de la rétrosynthèse. Il existe actuellement plusieurs méthodes basées sur l'apprentissage profond qui donnent d'excellents résultats. Ces méthodes peuvent être grossièrement divisées en trois catégories : les méthodes basées sur des modèles, les méthodes sans modèle et les méthodes basées sur des semi-modèles.

Ici, les chercheurs se concentrent sur la prédiction rétrosynthétique sans modèle. proposent de redéfinir le problème en tant que tâche d'édition de chaînes moléculaires et proposent EditRetro, un modèle rétrosynthétique basé sur l'édition qui peut réaliser des prédictions diverses et de haute qualité.

Illustration : Diagramme schématique de la méthode EditRetro proposée basée sur la rétrosynthèse de cordes moléculaires. (Source : article)

Le concept principal de cette recherche est de générer des chaînes de réactifs via un processus d'édition itératif utilisant les opérations de Levenshtein. L'approche s'inspire des progrès récents dans les modèles de génération de séquences basés sur l'édition. Plus précisément, les opérations d'EDITOR, un Transformer basé sur l'édition conçu pour la traduction automatique neuronale, sont utilisées.

Présentation d'EditRetro

Le modèle EditRetro contient trois opérations d'édition, à savoir le repositionnement de séquence, l'insertion d'espace réservé et l'insertion de marqueurs, pour générer des chaînes de réactifs. Il est implémenté par un modèle Transformer, composé d'un encodeur et de trois décodeurs, tous deux constitués de blocs Transformer empilés.

• Décodeur de relocalisation : les opérations de relocalisation incluent des opérations d'édition de jetons de base telles que la conservation, la suppression et la réorganisation. Cela peut être comparé au processus d’identification des centres de réaction, notamment la réorganisation et la suppression d’atomes ou de groupes pour obtenir des synthons.
• Décodeur d'espaces réservés : La stratégie d'insertion d'espaces réservés (classificateur) prédit le nombre d'espaces réservés à insérer entre les jetons adjacents. Il joue un rôle crucial dans la détermination de la structure des réactifs, semblable à l'identification des positions des atomes ou des groupes ajoutés dans les synthons intermédiaires obtenus lors de l'étape de repositionnement de séquence.
• Décodeur de jetons : stratégie d'insertion de jetons (classificateur), chargée de générer des jetons candidats pour chaque espace réservé. Ceci est essentiel pour déterminer les réactifs réels pouvant être utilisés pour synthétiser le produit cible. Ce processus peut être considéré comme un processus similaire effectué par les synthons, combiné à des opérations d'insertion d'espaces réservés.

Le modèle EditRetro améliore l'efficacité de la génération grâce à son décodeur non autorégressif. Bien qu'incorporant des décodeurs supplémentaires pour prédire de manière itérative les opérations d'édition, EditRetro effectue des opérations d'édition en parallèle dans chaque décodeur (c'est-à-dire une génération non autorégressive).

Lorsqu'il reçoit une molécule cible, l'encodeur prend sa chaîne en entrée et génère la représentation cachée correspondante, qui est ensuite utilisée comme entrée pour le module d'attention croisée du décodeur. De même, le décodeur prend également la chaîne de produit en entrée lors de la première itération. Lors de chaque itération de décodage, les trois décodeurs sont exécutés séquentiellement.

Mieux que la ligne de base, générez des réactifs précis

Les chercheurs ont évalué la méthode proposée sur les ensembles de données de référence publics USPTO-50K et USPTO-FULL. De nombreux résultats expérimentaux montrent que cette méthode surpasse les autres lignes de base en termes de précision de prédiction, notamment la méthode de pointe basée sur les séquences R-SMILES et la méthode basée sur l'édition de graphiques Graph2Edits.

EditRetro Des expériences approfondies sur l'ensemble de données de rétrosynthèse de référence USPTO-50K montrent qu'EditRetro atteint des performances supérieures, avec une précision de correspondance exacte top 1 de 60,8 %.

De plus, sur le plus grand ensemble de données USPTO-FULL, la précision de correspondance exacte du top 1 a atteint 52,2 %, prouvant son efficacité dans des réactions chimiques plus diverses et plus difficiles.

EditRetro montre également de meilleures performances que les méthodes de base en termes de précision RoundTrip et MaxFrag. Cela démontre qu'EditRetro peut apprendre efficacement les règles chimiques.

De plus, EditRetro fournit diverses prédictions grâce à des modules d'inférence bien conçus. Ce module combine l'échantillonnage de relocalisation et l'augmentation de séquence pour aider à générer des prédictions diverses et changeantes. Le repositionnement des échantillons d'échantillonnage prédit les actions de repositionnement, permettant l'identification de sites de réponse distincts. L'amélioration de la séquence génère différentes voies d'édition depuis différentes variantes de produits jusqu'aux réactifs, augmentant ainsi la précision et la diversité des prédictions. Ces deux stratégies fonctionnent ensemble pour augmenter la précision et la diversité des prédictions.

D'autres expériences ont vérifié la supériorité d'EditRetro dans certaines réactions plus complexes, notamment les réactions chirales, d'ouverture et de formation d'anneaux. Les résultats confirment la supériorité d'EditRetro dans ces scénarios difficiles, démontrant sa capacité à gérer différents types de transformations chimiques.

Pratique dans la planification de la synthèse en plusieurs étapes

En particulier, l'application réussie d'EditRetro dans quatre scénarios de planification de rétrosynthèse en plusieurs étapes démontre son caractère pratique.

Pour évaluer l'utilité d'EditRetro dans la planification de la synthèse, des voies chimiques complètes ont été conçues grâce à des prédictions rétrosynthétiques séquentielles. Les chercheurs ont sélectionné quatre composés cibles ayant une valeur pharmaceutique importante pour évaluation : le fébuxostat, l'osimertinib, un activateur allostérique de GPX4 et l'inhibiteur de la DDR1 kinase INS015_037.

Illustration : prédiction rétrosynthétique en plusieurs étapes d'EditRetro. (Source : article)

Les quatre exemples ont produit des voies rétrosynthétiques très cohérentes avec celles rapportées dans la littérature, la plupart des prédictions se classant parmi les deux premières. Sur les 16 étapes individuelles prises en compte, 10 avaient une précision de prédiction de 1. Ces résultats démontrent le potentiel pratique d'EditRetro dans les prédictions rétrosynthétiques pratiques.

Cette méthode devrait trouver des applications pratiques dans le domaine de la planification rétrosynthétique en fournissant des informations précieuses et en facilitant la conception de routes synthétiques efficaces.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!