Los modelos de aprendizaje automático que respaldan las aplicaciones de planificación de síntesis se limitan en gran medida a la química observada durante el entrenamiento, y la precisión y diversidad de sus predicciones suelen disminuir en subespacios químicos poco poblados. Al medir cómo afectan los distintos conjuntos de datos al rendimiento de los modelos entrenados, podemos realizar afirmaciones más sólidas sobre la cobertura y novedad esperadas de las soluciones de planificación de síntesis, y diseñar conjuntos de datos que abran áreas de la ciencia anteriormente difíciles.
En este estudio, los científicos de Bayer demuestran el impacto significativo que tienen las reacciones seleccionadas por expertos de la CAS Content Collection en la capacidad predictiva de un modelo de planificación de síntesis. La precisión en la predicción de resultados en clases de reacciones poco frecuentes aumentó significativamente (un incremento de 32 puntos porcentuales), lo que amplía el conocimiento hacia una química nueva y útil.
