AI颠覆药物研发：生成式AI精准推理分子合成路径

NVIDIA推出名为ReaSyn的新型生成式AI模型，专为预测分子合成路径而设计，旨在解决分子设计中“可合成性”这一核心难题。在药物、化学品和材料研发中，一个分子即使理论性能优异，若无法实际合成也毫无价值。ReaSyn通过借鉴大语言模型（LLM）中的“思维链”（Chain-of-Thought, CoT）推理机制，将合成路径建模为“反应链”（Chain-of-Reaction, CoR），显著提升了路径预测的准确性和可解释性。 ReaSyn采用线性序列表示合成路径，每一步明确包含反应物、反应规则和产物。反应物与产物以SMILES字符串表示，并用特殊标记界定；反应规则则以单一反应类别令牌表示。这种结构不仅模拟了化学家逐步推理的思维过程，还支持在每一步进行中间监督，从而更有效地学习化学反应规律，提升多步合成路径生成的可靠性。 作为自回归生成模型，ReaSyn从简单分子构建块出发，逐步推导出目标分子，类似LLM通过中间推理步骤得出最终答案。该框架不仅能高效完成逆合成规划，还能将难以合成的分子“投影”为可合成的类似物，实现实际可行的分子设计。 为增强生成能力，ReaSyn引入了LLM中的先进推理策略。通过基于结果的强化学习微调（GRPO），模型可探索多种合成路径，并依据最终产物与目标分子的相似度获得奖励，从而激发多样化探索。同时，结合目标导向的测试时搜索（如束搜索），ReaSyn能根据预设化学性质（如活性、稳定性）引导路径生成，实现功能优化。 实验表明，ReaSyn在逆合成规划任务中成功率高达76.8%，显著优于SynNet、SynFormer等现有方法。在可合成分子优化任务中，其平均得分达0.638，优于Graph GA-SF等基线模型。此外，ReaSyn还能在可合成空间中探索分子邻域，用于“命中分子扩展”，发现多样且可合成的候选化合物。 ReaSyn的推出，标志着AI在化学合成领域的推理能力迈上新台阶。它不仅提升了生成分子的可实现性，还为药物发现提供了高效、智能的工具，助力科学家在庞大而复杂的可合成化学空间中高效导航。相关论文已发布于arXiv，代码开源于GitHub。