逆合成分析法是当今有机合成化学的重要手段之一，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。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。
传统逆合成分析法示意图
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。来预测那些并未包含在训练数据集中的小分子合成路线。
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。
AI算法探索不同的化学路径
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。
“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。
原文来自：nature，原文题目为：Planning chemical syntheses with deep neural networks and symbolic AI。
