摘要

近期，基于模板（Template-Based, TB）与无模板（Template-Free, TF）的分子图学习方法在逆合成分析中展现出良好的性能。TB方法通过使用预先编码的反应模板，具有更高的预测准确性；而TF方法则通过将逆合成过程分解为中心识别与合成子补全两个子问题，具备更强的可扩展性。为兼顾TB与TF方法的优势，本文提出将完整模板拆分为多个半模板（semi-templates），并将其嵌入两阶段无模板框架中。由于大量半模板具有重复性，该策略在有效降低模板冗余的同时，仍保留了关键的化学知识，从而有助于提升合成子补全的准确性。我们将其方法命名为SemiRetro，并引入一种新型图神经网络层（DRGAT）以增强中心原子的识别能力，同时设计了一种新颖的自校正模块，用于提升半模板分类的性能。实验结果表明，SemiRetro在各项指标上显著优于现有的TB与TF方法。在可扩展性方面，SemiRetro仅使用150个半模板即可覆盖98.9%的数据，而此前基于模板的GLN方法需使用11,647个模板才能覆盖93.3%的数据。在Top-1准确率上，SemiRetro相较于无模板方法G2G分别提升4.8%（已知类别）和6.0%（未知类别）。此外，SemiRetro在训练效率方面也优于现有方法，展现出更优的实用潜力。