化学家反馈让AI对合成路线的排序更贴近实际
- 路线排序神经网络先在大量文献来源的路线上预训练,再用少量化学家标注的可行性判断进行微调。
- 测试使用了未参与训练的靶标,以及一个独立的多位化学家评判数据集。
- 排名靠前的路线大多被判定为可行,其中不少与已发表路线并不相同。
- 经专家微调后,模型的偏好明显更接近化学家的多数意见,接近专家个人与同行之间的一致程度。
💡 要点 基于摘要的观点
与化学家小组的一致性并不像听上去那么严格:路线可行性本身带有主观性,模型即便得分不错,也可能只是偏爱纸面上看起来整齐的路线。放到我们自己的系列上,我会检验它能否识别已知会失败的步骤,例如后期选择性问题或繁琐的保护基操作,以及面对与训练集差异较大的骨架时是否依然站得住。
📄 原论文 · Journal of Chemical Information and Modeling (ACS) ↗ Expert-Augmented Deep Learning Approach for Synthesis Route Evaluation