(相关资料图)

PDVN正视了单步逆合成模型与多步搜索算法之间的gap，这是现有此类型工作中最为系统的一篇。此前Hassenet al.在工作中也提到了这一问题，但之前的工作仅限于讨论，而PDVN做到了用强化学习的方法予以解决。除此以外，PDVN还用更精细的方式对不同分子的合成难度进行了打分，比Retro*本身的打分函数也有所增强，这同样让人们离有实际意义的逆合成更进了一步。

当然要做好逆合成，仅在模型规划的路线上进行提升还是不够的。作为一个应用导向的问题，逆合成路线设计还应该考虑把更多的内容也融入算法之中，例如并非所有市售分子都能一视同仁，即使标明了“in stock”，其价格可能也会有数个数量级的差别；再比如，不同反应的反应成本（所谓cost）也不可一概而论，对于反应条件剧烈，反应过程复杂，或是后处理难以分离的反应，完成一步所需的成本可能会超过简单反应数倍。对于这些更“化学”的合成考量，可能我们也可以用类似PDVN的办法将其融入到逆合成的设计当中，从而让逆合成算法更加面向实际。

参考文献：

1.Liu, G. et al., “Retrosynthetic Planning with Dual Value Networks”, ICML 2023. doi:10.48550/arXiv.2301.13755.

2.Hassen, A. K. et al., “Mind the Retrosynthesis Gap: Bridging the divide between Single-step and Multi-step Retrosynthesis Prediction”, NeuralIPS 2022 AI for Science Workshop. doi:10.48550/arXiv.2212.11809..

关键词：