逆合成分析系统在药物设计和材料应用等诸多领域有着重要作用,从20世纪中期开始越来越多的研究者投入到该领域的研究中。近年来深度学习的迅猛发展给许多领域都带来了里程碑式的提升,其中处理欧几里德数据的图神经网络自2009年首次提出后,至今有了长足的发展。而化学分子是典型的图结构数据,以往的逆合成分析系统或是基于规则的专家系统或是基于传统神经网络模型,本文尝试以图神经网络为基础并结合最近新发布的化学分子开源处理工具来对化学分子进行处理。同时受轰动一时的AlphaGo启发,利用蒙特卡洛树搜索技术在庞大的分解树空间中找到一条满足需要的逆分解路径,并达到一种计算资源开销与搜索效果的平衡。本文最终实现了整体系统并对两部分方法进行了测试,全文主要研究内容如下。设计并实现单步逆分解方法,这是整个逆合成系统的基础部分。该方法以图神经网络为核心,输入一个目标分子,最终得到该目标分子适用的反应模板列表。此方法仍以化学规则为基础,但是规则不再是由人工编码而是由开源工具根据进行过原子序号匹配的反应自动提取。以规则为基础的模型执行逆分解得到的分子能够比较好地避免出现不符合化学规律的“错误”分子的情况。同时使用图神经网络可以避免进行耗时的子图匹配操作,使得查找目标分子适用的反应模板操作能在1秒钟左右的时间内完成,这种方式较大程度地提升了查找效率。设计并实现了路径构建方法,该方法以蒙特卡洛树搜索为基础,实现了其中主要的四个阶段,并自定义了激励回传函数以指导系统偏向于搜索落在原料库中的路径。最后对上述两个方法进行了系统的测试,并针对实验结果作出了分析同时说明了相关缺陷可能的原因。在单步逆分解方法的测试中,达到了80%的查准率和65%的召回率,表明方法基本达到了可用的效果。而在路径构建方法中,所得逆合成路径最终步骤分子的平均原料命中率达到61.8%。从整体测试结果来看,系统基本实现了预期的设计目标并达到了初步可用的效果。系统的整体结构具备一定的灵活性,对于一些更为具体的需求可以针对相关部分进行一定的扩展和修改。