人工智能（AI）已經(jīng)改變了精準有機合成領(lǐng)域。包括機器學(xué)習和深度學(xué)習在內的數據驅動(dòng)方法在預測反應性能和合成規劃方面展現出了巨大潛力。
然而，數值回歸驅動(dòng)的反應性能預測與序列生成驅動(dòng)的合成規劃之間存在內在方法論分歧，這對構建統一的深度學(xué)習架構構成重大挑戰。
上?？茖W(xué)智能研究院/復旦大學(xué)人工智能創(chuàng )新與產(chǎn)業(yè)研究院漆遠教授、上?？茖W(xué)智能研究院曹風(fēng)雷研究員、徐麗成研究員等在 Nature 子刊 Nature Machine Intelligence 上發(fā)表了題為：A unified pre-trained deep learning framework for cross-task reaction performance prediction and synthesis planning 的研究論文。
該研究聽(tīng)過(guò)整合圖神經(jīng)網(wǎng)絡(luò )（GNN）與 Transformer 模型，開(kāi)發(fā)了一個(gè)用于跨任務(wù)的反應性能預測和合成規劃的統一預訓練深度學(xué)習框架--RXNGraphormer，為化學(xué)反應預測與合成設計提供了一個(gè)通用工具。
在這項最新研究中，研究團隊提出 RXNGraphormer 框架，該框架通過(guò)統一預訓練方法協(xié)同處理反應性能預測與合成規劃任務(wù)。
通過(guò)將面向分子內模式識別的圖神經(jīng)網(wǎng)絡(luò )（GNN）與面向分子間相互作用建模的 Transformer 模型相融合，并采用精心設計的策略對 1300 萬(wàn)個(gè)化學(xué)反應進(jìn)行訓練，RXNGraphormer 在反應活性/選擇性預測、正/逆向合成規劃領(lǐng)域的八個(gè)基準數據集，以及反應活性/選擇性預測的三個(gè)外源現實(shí)數據集上均實(shí)現了最先進(jìn)性能（SOTA）。值得注意的是，該模型生成的化學(xué)特征嵌入能夠無(wú)監督地按反應類(lèi)型自發(fā)聚類(lèi)。
RXNGraphormer 架構概述
總的來(lái)說(shuō)，這項研究彌合了化學(xué)人工智能領(lǐng)域性能預測與合成規劃任務(wù)間的關(guān)鍵鴻溝，為精準反應預測與合成設計提供了一個(gè)統一的多功能工具。
論文鏈接：
https://www.nature.com/articles/s42256-025-01098-4
合作咨詢(xún)
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國際展覽有限公司版權所有（保留一切權利）
滬ICP備05034851號-57
