摘要

自动合成规划的核心挑战在于能够生成并预测多种化学反应的结果。特别是在许多情况下，最可能的合成路径由于额外的约束条件而无法应用，这需要提出替代的化学反应方案。鉴于此，我们介绍了分子编辑图注意力网络（Molecule Edit Graph Attention Network, MEGAN），这是一种端到端的编码器-解码器神经模型。MEGAN 的设计灵感来源于将化学反应表示为一系列图编辑操作的模型，类似于箭头推动形式主义。我们将这一模型扩展到逆向合成预测（根据化学反应的产物预测底物）并将其应用于大规模数据集。我们认为，将反应表示为一系列编辑操作使得 MEGAN 能够高效地探索可能的化学反应空间，同时保持端到端建模的灵活性，并在标准基准测试中达到了最先进的准确性。代码和训练好的模型已在线提供，网址为 https://github.com/molecule-one/megan。