Et multi-stream netværk til retrosyntese forudsigelse

Retrosyntese har til formål at forudsige et sæt af reaktanter til fremstilling af givne molekyler, som spiller en væsentlig rolle inden for biokemiområdet, såsom molekylær vejdesign og lægemiddelopdagelse. De fleste eksisterende metoder har kun gavn af én slags information i stedet for at tage yderligere hensyn til det forskelligartede aspekt af molekylær information.

For at løse dette problem gennemførte et forskerhold en undersøgelse, som nu er offentliggjort i Grænser for computervidenskab .

Holdet foreslog et multi-stream netværk til retrosyntese forudsigelse ved at beskrive molekyler fra flere perspektiver ved at bruge deres SMILES og ECFPs deskriptorer.

MSNR består af tre hovedmoduler:(i) Det parallelle CNN og tekst-CNN, der tager ECFP'erne og SMILES efter one-hot-kodning som input for at producere de dybe funktioner. (ii) Kombinationsrepræsentationen er udtænkt ved at fusionere de to slags dybe træk ved ECFP'er og SMILES, som giver et dybdegående perspektiv af molekylær repræsentation. (iii) Tre tætte klassifikatorer er blevet implementeret til at forudsige sandsynligheden for reaktanter for molekyler, hvilket udnytter de dybe træk, der er ekstraheret af forskellige strømme, som henholdsvis den molekylære repræsentation.

Ved at fusionere disse multi-stream forudsigelsesresultater med varierende vægte, når modellen frem til en endelig retrosyntese forudsigelse. Derudover trænes modellen ved hjælp af en overordnet tabsfunktion, der er i stand til at udnytte de forskellige informationer, der er tilgængelige fra hver type dybe funktion.

Flere oplysninger: Qiang Zhang et al., Et multi-stream netværk til forudsigelse af retrosyntese, Frontiers of Computer Science (2023). DOI:10.1007/s11704-023-3103-z

Leveret af Frontiers Journals