开源程序帮助研究人员绕过化学合成过程中的一个主要瓶颈。
对化学家来说，寻找重磅药物和神奇物质是一项艰巨的任务。为了合成这些有前景的化合物，他们必须筛选数百万种已知的化学反应（每年还有数十万种新的反应被新增），然后测试这些反应是否能够合成。
如今，研究人员开发出一种人工智能系统，能够极大地简化和加速化学合成过程。该系统名为MOSAIC，相关研究成果已于1月19日发表在《自然》杂志上。该系统推荐的反应条件，使研究人员无需进行任何进一步的筛选或调整，即可生成35种具有开发成药品、农用化学品或化妆品等产品潜力的化合物。
“小分子合成是药物发现以及许多其他重要领域中的缓慢步骤，”该研究的合著者、康涅狄格州纽黑文市耶鲁大学的化学家蒂莫西·纽豪斯说。
纽豪斯补充说，MOSAIC 可以消除这一瓶颈，从而带来更多更好的产品。它“能够编写完整的实验室操作指南——足够详细，供化学家遵循——以帮助合成以前不存在的分子”。
人工智能辅助化学
预测化学反应条件一直是人工智能在化学领域应用的一个重点。其中最突出的工具之一是IBM的RXN for Chemistry，它基于大型语言模型（LLM）。
它使用了一种名为简化分子输入行输入系统（SMILES）的系统。该系统将化学三维结构转换为字母、数字和标点符号，这更适合语言识别系统。相比之下，像ChemCrow这样的语言学习模型（LLM）则使用自然语言数据进行训练，以处理化学任务²。人工智能聊天机器人展现出预测化学性质和反应的惊人能力
SMILES 方法简化了化学信息（例如起始原料和溶剂）的处理。“我们的目标是构建一个通用模型，它能够像化学家书写化学反应一样解读化学信息，通过聆听实验步骤的语言，并将这种集体意识迅速转化为切实可行的建议。”纽豪斯说道。他还补充说，将 MOSAIC 生成的逐步指令集成到自动化系统中将是“顺理成章的下一步”。
研究人员利用他们之前开发的人工智能系统³，将从专利中提取的约一百万个反应的数据库聚类成2285个子集。利用这些子集，研究团队训练了Meta公司部分开源的Llama LLM模型，创建了2498个独立的专家模型，每个模型都专注于一种由特定类型分子起始的化学转化组合。由于该方法使用的参数比主流的LLM模型少，因此可以在本地计算机上运行。
北卡罗来纳州立大学罗利分校的材料科学家马丁·塞弗里德表示，MOSAIC模型的显著特点在于它避免了“用尽可能大的模型来解决问题，而是选择专注于精心设计的、由许多规模较小的‘专家’模型组成的系统”。塞弗里德说：“每个专门的模型在其领域内都更加精确。”
瓶颈已打开
研究人员利用MOSAIC模型预测了52种新物质的合成条件。在实验室中验证这些方法后，研究人员成功合成了其中的35种。MOSAIC模型还能准确预测这些化合物的颜色和结构。
MOSAIC 还提出了专家培训中使用的数百万种反应中不存在的反应方法条件，提出了一种全新的合成氮杂吲哚类分子的方法，该方法在测试中取得了成功。一种创新的化学键断裂方法拓宽了分子制造的视野。
耶鲁大学的研究团队与跨国制药公司勃林格殷格翰位于康涅狄格州的科研人员合作开发了MOSAIC系统，后者已经在使用该系统。“他们致力于设计新的合成路线，”耶鲁大学理论与计算化学家、该研究的共同作者维克多·巴蒂斯塔（Victor Batista）表示，“如果能减少合成步骤，就能节省大量资金。”他还补充道，MOSAIC系统以开源代码的形式提供给其他研究团队使用。
中国广州国家实验室的化学家廖匡彪表示，专家框架的使用是“人工智能辅助化学领域一项重要的概念性进步”。他解释说：“它将人工智能从预测转向行动，把反应条件的选择重新定义为一个决策问题，而不是一个单一输出的预测任务。”该框架“保留了相互竞争的化学目标，而不是将它们合并成一个平均模型，这更好地反映了化学家在实验台上实际的推理方式”。
英国利物浦大学的计算机科学家泽诺芬·埃万杰洛普洛斯也认为这种方法具有更广泛的潜力。他表示：“除了作为一款强大的化学合成人工智能工具的实用性之外，MOSAIC 还建立了一种可扩展的范式，通过模块化专业化来利用全球化学知识。”
开源程序帮助研究人员绕过化学合成过程中的一个主要瓶颈。
对化学家来说，寻找重磅药物和神奇物质是一项艰巨的任务。为了合成这些有前景的化合物，他们必须筛选数百万种已知的化学反应（每年还有数十万种新的反应被新增），然后测试这些反应是否能够合成。
如今，研究人员开发出一种人工智能系统，能够极大地简化和加速化学合成过程。该系统名为MOSAIC，相关研究成果已于1月19日发表在《自然》杂志上。该系统推荐的反应条件，使研究人员无需进行任何进一步的筛选或调整，即可生成35种具有开发成药品、农用化学品或化妆品等产品潜力的化合物。
“小分子合成是药物发现以及许多其他重要领域中的缓慢步骤，”该研究的合著者、康涅狄格州纽黑文市耶鲁大学的化学家蒂莫西·纽豪斯说。
纽豪斯补充说，MOSAIC 可以消除这一瓶颈，从而带来更多更好的产品。它“能够编写完整的实验室操作指南——足够详细，供化学家遵循——以帮助合成以前不存在的分子”。
人工智能辅助化学
预测化学反应条件一直是人工智能在化学领域应用的一个重点。其中最突出的工具之一是IBM的RXN for Chemistry，它基于大型语言模型（LLM）。
它使用了一种名为简化分子输入行输入系统（SMILES）的系统。该系统将化学三维结构转换为字母、数字和标点符号，这更适合语言识别系统。相比之下，像ChemCrow这样的语言学习模型（LLM）则使用自然语言数据进行训练，以处理化学任务²。人工智能聊天机器人展现出预测化学性质和反应的惊人能力
SMILES 方法简化了化学信息（例如起始原料和溶剂）的处理。“我们的目标是构建一个通用模型，它能够像化学家书写化学反应一样解读化学信息，通过聆听实验步骤的语言，并将这种集体意识迅速转化为切实可行的建议。”纽豪斯说道。他还补充说，将 MOSAIC 生成的逐步指令集成到自动化系统中将是“顺理成章的下一步”。
研究人员利用他们之前开发的人工智能系统³，将从专利中提取的约一百万个反应的数据库聚类成2285个子集。利用这些子集，研究团队训练了Meta公司部分开源的Llama LLM模型，创建了2498个独立的专家模型，每个模型都专注于一种由特定类型分子起始的化学转化组合。由于该方法使用的参数比主流的LLM模型少，因此可以在本地计算机上运行。
北卡罗来纳州立大学罗利分校的材料科学家马丁·塞弗里德表示，MOSAIC模型的显著特点在于它避免了“用尽可能大的模型来解决问题，而是选择专注于精心设计的、由许多规模较小的‘专家’模型组成的系统”。塞弗里德说：“每个专门的模型在其领域内都更加精确。”
瓶颈已打开
研究人员利用MOSAIC模型预测了52种新物质的合成条件。在实验室中验证这些方法后，研究人员成功合成了其中的35种。MOSAIC模型还能准确预测这些化合物的颜色和结构。
MOSAIC 还提出了专家培训中使用的数百万种反应中不存在的反应方法条件，提出了一种全新的合成氮杂吲哚类分子的方法，该方法在测试中取得了成功。一种创新的化学键断裂方法拓宽了分子制造的视野。
耶鲁大学的研究团队与跨国制药公司勃林格殷格翰位于康涅狄格州的科研人员合作开发了MOSAIC系统，后者已经在使用该系统。“他们致力于设计新的合成路线，”耶鲁大学理论与计算化学家、该研究的共同作者维克多·巴蒂斯塔（Victor Batista）表示，“如果能减少合成步骤，就能节省大量资金。”他还补充道，MOSAIC系统以开源代码的形式提供给其他研究团队使用。
中国广州国家实验室的化学家廖匡彪表示，专家框架的使用是“人工智能辅助化学领域一项重要的概念性进步”。他解释说：“它将人工智能从预测转向行动，把反应条件的选择重新定义为一个决策问题，而不是一个单一输出的预测任务。”该框架“保留了相互竞争的化学目标，而不是将它们合并成一个平均模型，这更好地反映了化学家在实验台上实际的推理方式”。
英国利物浦大学的计算机科学家泽诺芬·埃万杰洛普洛斯也认为这种方法具有更广泛的潜力。他表示：“除了作为一款强大的化学合成人工智能工具的实用性之外，MOSAIC 还建立了一种可扩展的范式，通过模块化专业化来利用全球化学知识。”
