撰文丨王聰

編輯丨王多魚(yú)

排版丨水成文

人工智能（AI）已經(jīng)改變了精準(zhǔn)有機(jī)合成領(lǐng)域。包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在內(nèi)的數(shù)據(jù)驅(qū)動(dòng)方法在預(yù)測(cè)反應(yīng)性能和合成規(guī)劃方面展現(xiàn)出了巨大潛力。

然而，數(shù)值回歸驅(qū)動(dòng)的反應(yīng)性能預(yù)測(cè)與序列生成驅(qū)動(dòng)的合成規(guī)劃之間存在內(nèi)在方法論分歧，這對(duì)構(gòu)建統(tǒng)一的深度學(xué)習(xí)架構(gòu)構(gòu)成重大挑戰(zhàn)。

上海科學(xué)智能研究院/復(fù)旦大學(xué)人工智能創(chuàng)新與產(chǎn)業(yè)研究院漆遠(yuǎn)教授、上?？茖W(xué)智能研究院曹風(fēng)雷研究員、徐麗成研究員等在 Nature 子刊Nature Machine Intelligence上發(fā)表了題為：A unified pre-trained deep learning framework for cross-task reaction performance prediction and synthesis planning 的研究論文。

該研究聽(tīng)過(guò)整合圖神經(jīng)網(wǎng)絡(luò)（GNN）與Transformer 模型，開(kāi)發(fā)了一個(gè)用于跨任務(wù)的反應(yīng)性能預(yù)測(cè)和合成規(guī)劃的統(tǒng)一預(yù)訓(xùn)練深度學(xué)習(xí)框架——RXNGraphormer，為化學(xué)反應(yīng)預(yù)測(cè)與合成設(shè)計(jì)提供了一個(gè)通用工具。

在這項(xiàng)最新研究中，研究團(tuán)隊(duì)提出RXNGraphormer框架，該框架通過(guò)統(tǒng)一預(yù)訓(xùn)練方法協(xié)同處理反應(yīng)性能預(yù)測(cè)與合成規(guī)劃任務(wù)。

通過(guò)將面向分子內(nèi)模式識(shí)別的圖神經(jīng)網(wǎng)絡(luò)（GNN）與面向分子間相互作用建模的 Transformer 模型相融合，并采用精心設(shè)計(jì)的策略對(duì) 1300 萬(wàn)個(gè)化學(xué)反應(yīng)進(jìn)行訓(xùn)練，RXNGraphormer 在反應(yīng)活性/選擇性預(yù)測(cè)、正/逆向合成規(guī)劃領(lǐng)域的八個(gè)基準(zhǔn)數(shù)據(jù)集，以及反應(yīng)活性/選擇性預(yù)測(cè)的三個(gè)外源現(xiàn)實(shí)數(shù)據(jù)集上均實(shí)現(xiàn)了最先進(jìn)性能（SOTA）。值得注意的是，該模型生成的化學(xué)特征嵌入能夠無(wú)監(jiān)督地按反應(yīng)類(lèi)型自發(fā)聚類(lèi)。

RXNGraphormer 架構(gòu)概述

總的來(lái)說(shuō)，這項(xiàng)研究彌合了化學(xué)人工智能領(lǐng)域性能預(yù)測(cè)與合成規(guī)劃任務(wù)間的關(guān)鍵鴻溝，為精準(zhǔn)反應(yīng)預(yù)測(cè)與合成設(shè)計(jì)提供了一個(gè)統(tǒng)一的多功能工具。

論文鏈接：

https://www.nature.com/articles/s42256-025-01098-4