📢 转载信息
原文链接：https://www.sciencedaily.com/releases/2026/05/260504023844.htm
原文作者：Ecole Polytechnique Fédérale de Lausanne
创建新分子是化学领域最具挑战性的任务之一。无论是研发拯救生命的药物还是尖端材料，每种化合物都需要经过一系列精心设计的反应步骤才能合成。制定这些步骤需要深厚的专业知识和战略思维，这也是化学家们往往需要花费数年时间磨练这项技能的原因。
其中一个主要障碍是逆合成分析（retrosynthesis）。在这种方法中，化学家从最终目标分子开始，通过反向推理找到更简单的起始原料和可能的反应路线。这一过程涉及诸多决策，例如选择合适的构建模块、决定何时成环，以及判断分子中的敏感部位是否需要保护。虽然计算机可以扫描庞大的“化学空间”，但它们在匹配经验丰富的化学家的战略判断力方面仍面临困难。
另一个挑战涉及反应机制，即描述电子如何一步步移动以完成反应。理解这些机制可以让科学家预测新反应、提高效率并避免昂贵的试错。虽然现有的计算工具可以建议许多可能的途径，但它们往往缺乏识别最现实方案所需的直觉。
一种化学推理的AI新方法
由EPFL的Philippe Schwaller领导的研究团队开发了一种新方法，利用大语言模型（LLMs）作为化学推理工具。这些模型不再直接生成化学结构，而是充当评估者，指导现有的计算系统。
这一被称为Synthegy的新框架，将传统的搜索算法与能够解析自然语言化学策略的AI相结合。
“在为化学家制作工具时，用户界面至关重要，而以前的工具依赖于繁琐的过滤器和规则，”发表在《Matter》杂志上的Synthegy论文第一作者Andres M Bran表示，“有了Synthegy，我们赋予了化学家通过对话进行操作的能力，使他们能够更快地进行迭代，并探索更复杂的合成构想。”
Synthegy如何改进逆合成规划
Synthegy以目标分子和日常语言编写的简单指令作为起点。例如，化学家可能要求某个特定的环尽早形成，或者避免使用不必要的保护基团。标准的逆合成软件随后会生成许多可能的途径。
这些路径中的每一条都会被转化为文本，并由语言模型进行审核。Synthegy会对每种选项与化学家指令的匹配程度进行评分，并解释其推理依据。这使得对最佳路线进行排序和筛选变得更加容易。通过用自然语言引导搜索，化学家可以迅速聚焦于符合其目标的策略。
利用AI理解反应机制
Synthegy将类似的方法应用于反应机制。它将反应分解为基础的电子运动，并探索不同的可能性。语言模型对每一步进行评估，并将搜索过程引向符合化学逻辑的路径。
该系统还可以整合额外的详细信息，如以文本形式提供的反应条件或专家假设。这种灵活性使研究人员能够优化分析并探索更现实的情景。
性能与化学家验证
在合成规划方面，Synthegy成功识别出了符合复杂战略指令的路径。在一项双盲研究中，36名化学家提供了368项有效评估，其评估结果平均与系统结论的吻合度达到了71.2%。
该框架能够标记出不必要的保护步骤，判断反应的可行性，并优先考虑高效的解决方案。它还证明了LLMs可以在多个层面上运行，从分析官能团到评估整个合成路线。模型规模越大，性能表现越佳，而较小的模型能力则相对受限。
AI在化学领域的新角色
这项研究突显了AI支持化学的另一种方式。Synthegy并没有取代人类的决策，而是将语言模型定位为协助解释和优化计算结果的指南。化学家可以用平实的语言描述他们的目标，并获得反映其战略的解决方案。
这种方法有望加速药物发现，改进反应设计，并使科学家更容易使用先进的工具。
“合成规划与反应机制之间的联系非常令人兴奋：我们通常利用机制来发现能够合成新分子的一类新反应，”Andres M Bran说道，“我们的工作正在通过一个统一的自然语言界面在计算层面弥合这一差距。”
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区