本文介绍的是Journal of Chemical Information and Modeling上的文章 "Prediction and Interpretable Visualization of Retrosynthetic Reactions Using Graph Convolutional Networks"。

论文链接：https://doi.org/10.1021/acs.jcim.9b00538

当前，机器学习和深度学习不断发展，化学家逐渐将机器学习和深度学习应用于反应预测。本文作者使用图卷积神经网络(GCN)完成了两个具有挑战性的任务：改进逆合成反应预测和逆合成反应预测的可解释性。

在本文中，作者提出了一个可解释的预测框架，使用图卷积网络(GCN)来进行逆合成反应预测、使用积分梯度(IG)来实现预测的可视化。此外，基于积分梯度(IG)的图卷积神经网络(GCN)预测可视化成功地挑选出了与反应相关的原子。

作者建立了两个模型：一个使用分子图(GCN模型)作为输入，另一个使用ECFP(ECFP模型)作为输入的模型进行比较，如上图所示。对于预测性能进行评估，使用了5倍交叉验证。数据集被分成三组：65%的数据集用于训练数据，15%用于验证数据，20%用于测试数据。

为了确认分子的哪些特征影响了预测结果，本文开发了一个使用积分梯度(IG)的可视化系统。在学习了逆合成反应预测模型后，可以将预测结果可视化。作者定量评估了10000个分子的IGs。

本文成功地开发了基于GCN的可解释逆合成反应预测的方法。并将基于GCN的模型与传统ECFP模型的预测效果进行了比较。结果表明，GCN模型的预测精度高于ECFP模型，而GCN的预测受数据集的影响较小。此外，使用IG的GCN预测可视化成功地显示了分子中的各原子对逆合成反应预测的贡献。通过对这些原子对反应预测贡献的可视化，我们可以推测逆合成反应预测的原理，这有望有助于化学家理解基于数据驱动方法的逆合成反应预测。本文中的模型有望成为构建逆合成反应预测的高质量模型的基石，并对探索逆合成反应具有重要意义。

内容中包含的图片若涉及版权问题，请及时与我们联系删除