La retrosíntesis tiene como objetivo predecir un conjunto de reactivos para producir moléculas determinadas, lo que desempeña un papel importante en el campo de la bioquímica, como el diseño de vías moleculares y el descubrimiento de fármacos. La mayoría de los métodos existentes solo se benefician de un tipo de información en lugar de considerar más a fondo los diversos aspectos de la información molecular.
Para abordar este problema, un equipo de investigación realizó un estudio, ahora publicado en Frontiers of Computer Science. .
El equipo propuso una red de múltiples flujos para la predicción de la retrosíntesis describiendo moléculas desde múltiples perspectivas utilizando sus descriptores SMILES y ECFP.
MSNR consta de tres módulos principales:(i) La CNN paralela y la CNN de texto que toma los ECFP y SMILES después de la codificación one-hot como entrada para producir las características profundas. (ii) La representación combinada se idea fusionando los dos tipos de características profundas de ECFP y SMILES, que proporcionan una perspectiva profunda de la representación molecular. (iii) Se han implementado tres clasificadores densos para predecir la probabilidad de reactivos para las moléculas, lo que aprovecha las características profundas extraídas por diferentes flujos como representación molecular, respectivamente.
Al fusionar estos resultados de predicción de múltiples flujos con pesos variables, el modelo llega a una predicción de retrosíntesis final. Además, el modelo se entrena utilizando una función de pérdida general que es capaz de explotar la diversa información disponible de cada tipo de característica profunda.
Más información: Qiang Zhang et al, Una red de múltiples flujos para la predicción de retrosíntesis, Fronteras de la informática (2023). DOI:10.1007/s11704-023-3103-z
Proporcionado por Frontiers Journals
