합성 계획 애플리케이션을 지원하는 머신러닝 모델은 학습 데이터에 포함된 화학 반응으로 범위가 제한되는 경우가 많으며, 데이터가 부족한 화학적 공간에서는 예측의 정확도와 다양성이 떨어지기 쉽습니다. 다양한 데이터셋이 모델 성능에 미치는 영향을 측정함으로써 합성 계획 솔루션의 적용 범위와 참신성에 대해 더 확신을 가질 수 있으며, 기존에 연구가 어려웠던 과학 분야를 개척할 수 있는 데이터셋을 설계할 수 있습니다.
본 연구에서 바이엘의 과학자들은 CAS 콘텐츠 컬렉션에서 선별된 반응 데이터가 합성 계획 모델의 예측 성능에 미치는 중요한 영향을 입증했습니다. 희귀 반응 유형에 대한 결과 예측 정확도가 32% 포인트 향상되었으며, 이를 통해 새롭고 유용한 화학 분야로 연구 영역을 넓힐 수 있게 되었습니다.
