山东大学、湖南大学、天津大学和电子科技大学的联合研究团队提出了一种基于分子组装的深度学习方法RetroExplainer，将逆合成任务公式化为分子组装过程，能够实现精准逆合成可解释预测以及路径规划，有望为药物开发中可靠、高通量和高质量的有机合成提供有价值的见解。相关研究成果于2023年10月3日发布在《自然·通讯》上。

为了保证模型的稳健性能，研究人员提出了三个深度学习模块：多含义多尺度图Transformer、结构感知对比学习和动态自适应多任务学习。为了获得良好的可解释性，研究人员引入了基于能量的分子组装过程，该过程提供透明的决策和可解释的逆合成预测。这个过程可生成一条能量决策曲线，将预测分解为多个阶段，并允许子结构级别的归因。为了提高模型在路径规划方面的实用性，确保产品的可合成性并避免繁琐的手动选择候选反应物，研究人员将所提出的模型与Retro*算法进行了结合。

研究人员在12个大型基准数据集上进行了测试，证明了RetroExplainer的有效性，其性能优于最先进的单步逆合成方法。同时，分子组装过程使RetroExplainer的模型具有优秀的可解释性，允许透明的决策和定量归因。

信息来源：

https://www.nature.com/articles/s41467-023-41698-5

https://mp.weixin.qq.com/s/dxm6YqfMhlfaowr8PXjVqg