TempRe: Template generation for single and direct multi-step retrosynthesis

逆合成路线设计仍然是分子发现中的一个核心挑战，因为化学反应空间庞大且复杂。虽然传统的基于模板的方法具有一定的可操作性，但它们在扩展性和泛化能力方面存在不足；而无需模板的生成方法则可能产生无效的反应。在本研究中，我们提出了 TempRe，这是一种生成式框架，将基于模板的方法重新表述为序列生成问题，从而实现可扩展、灵活且符合化学合理性的逆合成分析。我们在单步和多步逆合成任务上对 TempRe 进行了评估，结果表明其性能优于模板分类方法和基于 SMILES 的生成方法。在 PaRoutes 多步逆合成基准测试中，TempRe 展现了出色的 top-k 路线准确率。此外，我们将 TempRe 进一步拓展至直接生成多步合成路线的任务，为传统的单步方法和基于搜索的方法提供了一种轻量且高效的替代方案。这些结果凸显了基于模板的生成建模在计算机辅助合成路线设计中作为一种强大范式的潜力。

逆合成规划仍然是分子发现中的一个核心挑战，因为化学反应空间庞大且复杂。传统的基于模板的方法虽然具有可操作性，但存在扩展性差和泛化能力有限的问题，而无模板的生成方法则可能生成无效的反应。论文试图解决如何在保持化学合理性的同时提高逆合成预测的可扩展性和泛化能力这一问题，属于合成规划领域长期存在的挑战。

论文提出TempRe，将基于模板的方法重新建模为序列生成问题，从而实现可扩展、灵活且化学合理的逆合成预测。其核心创新在于结合了传统模板方法的准确性和序列生成模型的灵活性，避免了传统分类模板方法的限制，并减少了无模板生成模型生成无效反应的风险。

1. 在单步和多步逆合成任务中，TempRe均优于模板分类和基于SMILES的生成方法 2. 在PaRoutes多步逆合成基准上表现优异，具有较高的top-k路线准确率 3. 支持直接生成多步合成路线，提供轻量级且高效的替代方案，避免传统搜索方法的复杂性 4. 方法具有良好的可扩展性和实用性，适合集成到实际的计算机辅助合成规划系统中

1. Graph-Based Retrosynthetic Planning with Deep Reinforcement Learning 2. Predicting Retrosynthetic Reactions Using Transformer-Based Models 3. Hierarchical Planning in Retrosynthesis Using Knowledge-Embedded Graph Networks 4. ReAgent: End-to-End Learning for Retrosynthetic Planning 5. A Template-Free Deep Generative Model for Retrosynthesis