[논문 리뷰] Recent advances in artificial intelligence for retrosynthesis

Zipeng Zhong, Jie Song외 6명|arXiv (Cornell University)|2023. 01. 14.

Machine Learning in Materials Science인용 수 9

한 줄 요약

향후 방향에 대한 논의를 포함한 AI 기반 단일 단계 및 다단계 역합성 방법, 분류 체계, 평가, 데이터셋 및 플랫폼에 관한 포괄적 리뷰.

ABSTRACT

Retrosynthesis is the cornerstone of organic chemistry, providing chemists in material and drug manufacturing access to poorly available and brand-new molecules. Conventional rule-based or expert-based computer-aided synthesis has obvious limitations, such as high labor costs and limited search space. In recent years, dramatic breakthroughs driven by artificial intelligence have revolutionized retrosynthesis. Here we aim to present a comprehensive review of recent advances in AI-based retrosynthesis. For single-step and multi-step retrosynthesis both, we first list their goal and provide a thorough taxonomy of existing methods. Afterwards, we analyze these methods in terms of their mechanism and performance, and introduce popular evaluation metrics for them, in which we also provide a detailed comparison among representative methods on several public datasets. In the next part we introduce popular databases and established platforms for retrosynthesis. Finally, this review concludes with a discussion about promising research directions in this field.

연구 동기 및 목표

• AI 기반 역합성 방법의 목표와 분류체계(단일 단계 및 다단계)를 고찰한다.
• 대표적인 방법들에 대한 메커니즘, 성능 및 평가 지표를 분석한다.
• 역합성 연구에 사용된 데이터셋, 데이터베이스 및 플랫폼을 요약한다.
• 한계점을 논의하고 향후 연구 방향을 제시한다.

제안 방법

• 단일 단계 역합성 방법의 분류 체계(선정 기반 및 생성 기반)를 제시한다.
• 템플릿 기반 대 템플릿 프리 생성 접근법 및 하위 범주(반응물/템플릿 선택, 반템플릿 생성, 완전 생성 모델)를 서술한다.
• 모델 아키텍처(GNNs, Transformers, MPNN, LSTM) 및 데이터 증강 전략을 논의한다.
• 평가 지표를 검토하고 공개 데이터셋에서 대표적인 방법들을 비교한다.
• 역합성용 데이터베이스와 플랫폼을 소개하고 향후 방향을 개괄한다.

실험 결과

연구 질문

• RQ1 단일 단계 및 다단계 역합성에 대한 주요 AI 기반 접근법은 무엇인가?
• RQ2 선정 기반, 템플릿 기반, 반템플릿, 템플릿 프리 방법들이 메커니즘과 성능 면에서 어떻게 비교되는가?
• RQ3 역합성 방법의 벤치마크에 사용되는 평가 지표와 데이터셋은 무엇이며, 대표적인 방법들은 이 벤치마크에서 어떻게 성과를 내는가?
• RQ4 AI 기반 역합성을 지원하는 데이터베이스와 플랫폼은 무엇이며, 가장 유망한 향후 방향은 무엇인가?

주요 결과

• 단일 단계 역합성 방법은 선택 기반(반응물 또는 템플릿 선택)과 생성 기반(반템플릿 및 템플릿 프리)으로 분류된다.
• 템플릿 기반 방법은 반응 템플릿을 활용하고 데이터 증강 및 템플릿 검색을 통해 희귀 템플릿이나 제로샷 템플릿을 다룰 수 있다.
• 반템플릿 생성(P2S 및 S2R) 및 템플릿 프리 생성(완전 엔드투엔드)은 그래프 기반 및 SMILES 기반 표현을 사용하는 핵심 접근법이며, 다수의 작업이 Transformer 아키텍처와 데이터 증강을 활용해 정확도 및 타당성을 향상시킨다.
• 초기 신경 템플릿 방법들(e.g., NeuralSym)은 강력한 성과를 보였으나 해석 가능성과 표현력의 한계에 직면했고, 결과적으로 Graph-based 및 Local-template 접근법인 LocalRetro와 같은 방법으로 발전했다.
• 전방 예측 및 사이클 일관성 개념(forward verification, Cycle Consistency)은 역합성 예측 및 반응물 후보의 다양성을 향상시키는 데 활용되었다.
• SMILES 표현의 데이터 증강과 테스트 시 SMILES 변형은 일반화 성능을 크게 향상시키고 잘못된 예측을 감소시켰다.