Nature：人工智能走进化学实验室，可将合成路线设计速度提高30倍！

药明康德/报道

近日，来自上海大学的Mark Waller教授及其团队进行了一项新研究，应用深层神经网络及人工智能算法，来规划新的化学合成路线。这一研究成果已经发表在了最新一期的《自然》杂志上。

▲逆合成分析法示意图（图片来源：Wikimedia Commons）

逆合成分析法是当今有机合成化学的重要手段之一，于20世纪60年代由哈佛大学教授E. J. Corey提出。这种方法揭示了如何将所需分子分解为更简单的化学构建块，然后化学家可以采取必要的反应步骤，用这些简单的结构单元制备所需的分子，用于制造药物和其他产品。Corey教授因发现这一技术，获得了1990年的诺贝尔化学奖。

过去，科学家们一直使用计算机辅助有机合成的方式，来完成逆合成分析过程。尽管这种方法可以提高合成效率，然而传统的计算机辅助方式合成速度仍然较慢，且提供的分子质量参差不齐。人类还是需要手动搜索化学反应数据库，来找到制造分子的最佳方法。

为了解决这一问题，Waller教授团队使用蒙特卡洛树搜索（Monte Carlo tree search，MCTS）和与指导搜索的扩展策略网络以及筛选网络相结合，形成了一种新的人工智能算法。研究人员使用2015年之前发布的所有化学反应作为数据，来对这种新型算法进行训练，让这种算法可以自己学习一套“规则”，来预测那些并未包含在训练数据集中的小分子合成路线。

▲和两种传统合成方法相比（红色和绿色），使用新型人工智能算法（蓝色）在较短时限内可以完成更多分子的合成路线预测（图片来源：《Nature》）

研究结果表明，这种新型的算法在单个分子限制时间为5秒钟的情况下，能够对测试集中80%的分子合成路线进行预测。当单个分子用时限制延长至60秒时，新型算法预测分子合成路线的比例达到了92%。这一结果比传统的计算机辅助合成路线设计加快了近30倍。并且在随后进行的双盲测试中，化学家们无法针对同一个分子，对算法预测出的合成路线以及原始文献中的合成路线进行有效区分，从侧面说明了这种新型算法预测的准确性。

▲这项研究的负责人Mark Waller博士（图片来源：Wallerlab）

“在过去的60年里，科学家们一直试图通过人工编码的方式，将合成规则指定给计算机，”Waller博士在论文中写道：“和传统方法不同的是，我们使用了具备规划能力、符号象征能力及自动化学习能力的强大算法，这对于计算机能否在化学合成中发挥辅助作用至关重要。而这一技术也为满足人类在农业、医疗及材料科学等领域的需求奠定了坚实的基础。”

随着人工智能技术的不断发展，其已经开始在化学合成领域发挥强大的作用。我们也希望，未来的人工智能可以在更加多样的科研领域内，实现越来越多的突破。

点击“阅读原文（Read More）”，即可访问原始论文页面。

参考资料：

[1] Planning chemical syntheses with deep neural networks and symbolic AI