从零开始设计一个分子是化学中最难的问题之一。这不仅仅是知道要连接哪些原子——而是要知道正确的反应顺序，何时保护分子的敏感部分，以及如何避免可能毁掉数月实验工作的死胡同。

传统上，这些知识都存在于经验丰富的化学家的头脑中。现在，洛桑联邦理工学院（EPFL）的一个团队希望将其转化为一种语言模型。

由菲利普·施瓦勒领导的研究团队发表了一篇论文本周的《Matter》杂志介绍了 Synthegy，这是一个利用大型语言模型作为推理引擎进行化学合成规划的框架。其关键在于：该团队并非让 AI 生成分子，而是利用 AI 评估传统软件已经生成的合成路线。

工作原理如下：化学家用简单的英语输入目标，例如“在早期阶段形成嘧啶环”。现有的逆合成软件（其工作原理是将目标分子分解成更简单的部分）随后会生成数十种或数百种可能的合成路线。

Synthegy会将每条合成路线转换成文本，并交给LLM（合成路线管理软件）进行评分，评分标准是路线与化学家指令的匹配程度。最佳路线会脱颖而出，并附有详细的解释说明。

“在为化学家开发工具时，用户界面至关重要，而以往的工具依赖于繁琐的过滤器和规则，”该研究的主要作者安德烈斯·M·布兰在一份声明中表示。陈述来自洛桑联邦理工学院 (EPFL)。

该系统在一项双盲研究中得到验证，该研究邀请了36位独立的化学家对368个反应路线组合进行审查。他们的选择与Synthegy的预测结果有71.2%的吻合度，这一比例与专家化学家之间的意见一致率大致相当。资深研究人员（教授和科研人员）与Synthegy的一致性高于博士生，这表明该系统能够捕捉到经验积累所带来的战略直觉。

研究人员测试了几种人工智能模型，包括 GPT-4o、Claude 和 DeepSeek-r1。人工智能已经……取得进展Synthegy 在药物发现领域应用多年，但大多数方法都侧重于针对特定任务进行窄带训练的模型。Synthegy 采用模块化设计，后端可以接入任何逆合成引擎，推理端可以接入任何功能强大的逻辑线性模型 (LLM)。Gemini-2.5-pro 在基准测试中得分最高，而 DeepSeek-r1 似乎是一个强大的开源替代方案，可以在本地运行。

该框架还解决了第二个问题：反应机理解析。这指的是化学反应发生的原因——每一步都发生了哪些电子转移。Synthegy 将反应分解成基本步骤，并让 LLM 评估每个候选步骤的化学合理性。对于像亲核取代这样的简单反应，最佳模型达到了近乎完美的准确度。

人工智能的潜在应用场景非常广泛。药物研发是最显而易见的。人工智能已经……展现出潜力预测癌症治疗结果固然重要，但同样的方法也适用于化学家需要设计新材料或优化工业反应的任何场合。一个实际细节是：使用 Synthegy 评估 60 个候选路线大约需要 12 分钟，API 费用约为 2-3 美元。

本文承认当前方法的局限性。线性线性模型有时会错误解读文本表示中的反应方向，导致错误的预测。较小的模型性能并不比随机猜测更好。超过20步的路径更难进行连贯的跟踪。

代码和基准测试结果均可在以下网址公开获取：github.com/schwallergroup/steer.