創造新分子是化學中最困難的任務之一。無論目標是救命藥物還是尖端材料，每種化合物都必須透過精心規劃的一系列反應來產生。定義這些步驟需要深厚的專業知識和策略思維。這就是為什麼化學家通常需要花費數年時間來學習這個過程。
主要障礙是逆合成。在這種方法中，化學家從他們想要的最後一個分子開始，然後向後尋找更簡單的起始材料和可能的反應路線。這涉及許多決策，例如選擇適當的構建塊。決定何時建造環並確定分子的敏感部分是否需要保護。儘管電腦可以掃描，儘管我們已經能夠探索巨大的“化學差距”，但我們仍然很難與經驗豐富的化學家的戰略決策相匹配。
另一個挑戰涉及反應機制。它描述了反應如何透過電子的運動逐步進行。了解這些機制有助於科學家預測新的反應。提高效能並避免代價高昂的試誤。儘管當今的計算工具可以建議許多可能的路徑，但它們往往缺乏識別最現實路徑所需的直覺。
化學推理的新人工智慧方法
由 EPFL 的 Philippe Schwaller 領導的研究人員開發了一種新方法，使用大語言模型 (LLM) 作為化學推理工具。這些模型不是直接建構化學結構，而是充當推薦現有計算系統的評估器。
這個名為 Synthegy 的新框架將傳統搜尋演算法與人工智慧結合，可以解釋用自然語言編寫的化學策略。
「為化學家創建工具時，使用者介面非常重要。以前的工具依賴繁瑣的過濾器和規則，」發表在 Matter 上的 Synthegy 論文的第一作者 Andres M Bran 說道。 “透過 Synthegy，我們賦予化學家說話的能力。它使他們能夠更快地迭代並駕馭更複雜的合成概念。”
Synthegy 如何幫助改善逆合成計畫？
合成從目標分子和簡單的命令開始。例如，用日常語言編寫，化學家可能會被要求儘早創建一個特定的戒指。或避免不必要的保護主義團體。標準逆合成軟體會產生許多可能的路徑。
每個 Pathway 都會轉換為文字並由語言模型進行驗證。 Syntegy 對每個選項與化學家建議的匹配程度進行評分。並解釋原因這使得對最佳路線進行排名和過濾變得容易。透過用自然語言指導搜索，化學家可以快速專注於與其目標相符的策略。
利用人工智慧了解反應機制
Synthegy 採用類似的反應機制方法。它將反應分解為基本的電子運動。並探索各種可能性語言模型評估每個步驟並引導搜尋沿著邏輯路徑進行。
該系統還可以包括額外的細節，例如反應條件或專家假設。這種靈活性使研究人員能夠完善他們的分析並探索更現實的情況。
化學家的效率與驗證
在綜合規劃中，Synthgey 可以識別與複雜戰略訂單相符的路線。在雙盲研究中，36 名化學家提供了 368 項有效評估，他們的評估平均與系統結果一致的機率為 71.2%。
該框架可能會施加不必要的預防措施。判斷反應的可能性有多大。並優先考慮有效的解決方案。它還表明法學碩士可以在多個層次上進行。從官能基分析到整個合成路線的評估。較大的模型效果最好。而較小的版本顯示出更有限的能力。
人工智慧在化學中的新作用
這項研究強調了人工智慧如何以不同的方式支援化學。 Synthegy 並未取代人類決策，而是將語言模型定位為幫助解釋和優化計算結果的指南。化學家可以用簡單的語言解釋他們的目標，並得出反映他們策略的解決方案。
此方法可以加速藥物發現。改進的反應設計並使科學家更容易使用先進的工具。
Andres M Bran 表示：“綜合規劃和力學之間的聯繫非常令人興奮。我們經常使用機制來尋找新的反應。我們的工作是通過單一、統一的自然語言界面進行計算來彌合這一差距。”
其他貢獻者
- 國家催化研究能力中心（NCCR 催化）
- b12實驗室
