化学合成是药物发现和材料设计中最耗时的环节之一。从目标分子反推反应路线（逆合成分析），需要多年经验积累和大量专业判断。5月5日，EPFL（瑞士洛桑联邦理工学院）Philippe Schwaller团队在Cell Press旗下Matter期刊发表了一个名为Synthegy的AI框架——它让化学家只需用日常语言描述自己的合成策略，AI就会自动评估、排序并解释每条候选路线的优劣。

它解决什么问题

逆合成分析的核心挑战不是"找不到路线"，而是"找到太多路线，不知道哪条最好"。现有计算工具可以在庞大的"化学空间"中搜索出大量候选路径，但它们缺乏化学家的战略直觉——比如什么时候该先成环、什么时候该避免多余的保护基、哪些反应步骤在实验室里根本做不出来。

反应机理预测也有类似困境：工具能列出很多可能的电子移动路径，但难以判断哪条最"化学合理"。

用自然语言当"策略指挥棒"

Synthegy的核心思路是：不指望AI替你做决策，而是让AI听懂你的决策意图。

工作流程很简单：

1. 输入目标分子和一句自然语言指令——比如"先形成这个环""避免不必要的保护基团""优先使用市售起始原料"
2. 传统逆合成软件生成大量候选路线
3. 每条路线被转换为文本描述，交给大语言模型（LLM）评估
4. LLM给每条路线打分并解释理由——为什么这条路线更符合你的策略、哪里可能有问题
5. 输出按匹配度排序的路线列表+每条的解释

同样的方法也适用于反应机理分析：把反应拆解为基本的电子移动步骤，LLM逐步评估每个步骤的化学合理性。你还可以补充反应条件、专家假设等额外信息，让分析更贴合实际。

36位化学家的双盲验证

论文中最有说服力的部分是一项双盲研究：36名化学家提供了368次有效评估，结果显示化学家判断与Synthegy结果在71.2%的情况下一致。

这意味着什么？对于同一个合成策略和同一组候选路线，AI的判断和大多数化学家的判断高度吻合。当然，28.8%的分歧率也说明AI还不能完全替代人的经验——但它已经能作为一个非常可靠的"第二意见"。

研究还发现，Synthegy能有效标记多余的步骤（比如不必要的保护基操作）、判断反应可行性、优先高效方案。不过模型大小很关键：大模型表现最好，小模型能力明显受限。

为什么这很重要

对药物发现：先导化合物的合成路线设计是药物研发的关键瓶颈之一。Synthegy让不太资深的化学家也能获得接近专家级的路线建议，可能显著缩短从"有了一个分子结构"到"在实验室里把它做出来"的时间。

对整个化学领域：这代表了一种新的AI应用范式——LLM不是来替代化学家的，而是来充当"可对话的评估层"。化学家用自然语言下达策略指令，AI负责在计算结果中筛选和解释。这种人机协作模式，比"AI全自动设计分子"更现实，也更安全。

对非专业人士：虽然Synthegy面向的是化学工作者，但"用自然语言指挥AI做专业判断"这个交互模式，对其他领域也有启发——医疗诊断、工程设计、法律分析，都可能借鉴类似的"人定策略、AI执行筛选"架构。

需要注意的局限

• 依赖大模型：效果好但成本高，小模型表现有限
• 71.2%不是100%：近三成情况AI与化学家判断不一致，不能盲目信任
• 计算推荐≠实验室可行：AI建议的路线仍需实验验证
• 策略表达有门槛：化学家需要把自己的经验转化为清晰的语言指令

来源

• ScienceDaily 报道（2026年5月5日）
• Matter 期刊论文（Cell Press，EPFL Philippe Schwaller团队，一作 Andres M Bran）
• NCCR Catalysis、b12 Labs 协助

*基于多家媒体转述整理，论文原文发表于Cell Press旗下Matter期刊。*

参考来源

• https://www.sciencedaily.com/releases/2026/05/260504023844.htm

说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。