年第而與之形成對比的化學家們則是通過識別反應中心和分析電子轉(zhuǎn)移以及構(gòu)型變化來預測反應產(chǎn)物。（c-g）在?80個反應中，物資Localtransforme的5個不正確預測，物資反應編號后顯示了Ground-truthGRTs的受歡迎程度，顯示了Localtransforme（藍色）預測的反應中心、真實產(chǎn)物（橙色）以及預測的反應中心是否與真實反應中心相同（紅色）。類新相關(guān)研究成果以Ageneralized-template-basedgraphneuralnetworkforaccurateorganicreactivityprediction為題發(fā)表在國際著名期刊NatureMachineIntelligence上。

04、開招數(shù)據(jù)概覽圖1GRT的提取工藝及實例??2022SpringerNature（a）GRT提取的整個過程，反應中心首先是通過比較反應前后每個原子電子構(gòu)型的變化來確定的。2、標項標候LocalTransform對于Top-K產(chǎn)品的預測精度相比之前基于圖的方法有了顯著的提升，標項標候Top-K準確率是用來計算預測結(jié)果中概率最大的前K個結(jié)果包含正確標簽的占比。

與專業(yè)化學家相似的是，目中LocalTransform能夠通過識別反應中心來預測反應結(jié)果，并根據(jù)局部化學環(huán)境變化然后通過全局注意機制的選擇性來識別反應原子。

國網(wǎng)圖2?Localtransform的整體預測綜合解決方案??2022SpringerNature（a）Localtransform模型的體系結(jié)構(gòu)。與專業(yè)化學家相似的是，西藏選人LocalTransform能夠通過識別反應中心來預測反應結(jié)果，并根據(jù)局部化學環(huán)境變化然后通過全局注意機制的選擇性來識別反應原子。

電力圖2?Localtransform的整體預測綜合解決方案??2022SpringerNature（a）Localtransform模型的體系結(jié)構(gòu)。2、年第LocalTransform能夠通過識別化學反應中心來預測反應結(jié)果，年第并根據(jù)局部化學環(huán)境變化然后通過全局注意機制的選擇性來識別反應原子，通過精準的構(gòu)型預測分析，準確描述了測試反應中99.7%的實驗結(jié)果。

現(xiàn)有實驗研究雖然已經(jīng)合成了諸多新分子，物資且人類在其應用領(lǐng)域的探索熱情高漲，但這往往需要專業(yè)的化學家來準確預測化學反應的結(jié)果。02、類新成果掠影在此，類新韓國國際科學技術(shù)院化學與生物分子工程系YousungJung教授團隊設(shè)計了一種廣義反應模板（generalizedreactiontemplate,GRT），這是一種僅通過原子映射法描述反應前后原子構(gòu)型局部變化，而沒有特定原子類型或官能團信息的反應模板。