Nature子刊：上?？茖W(xué)智能研究院漆遠(yuǎn)/曹風(fēng)雷/徐麗成團(tuán)隊開發(fā)新型AI模型，用于化學(xué)反應(yīng)性能預(yù)測和合成規(guī)劃

熱門推薦： AI模型 , 性能預(yù)測 , 合成規(guī)劃 ,

作者：王聰來源：生物世界

2025-08-25

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

人工智能（AI）已經(jīng)改變了精準(zhǔn)有機合成領(lǐng)域。包括機器學(xué)習(xí)和深度學(xué)習(xí)在內(nèi)的數(shù)據(jù)驅(qū)動方法在預(yù)測反應(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)動的反應(yīng)性能預(yù)測與序列生成驅(qū)動的合成規(guī)劃之間存在內(nèi)在方法論分歧，這對構(gòu)建統(tǒng)一的深度學(xué)習(xí)架構(gòu)構(gòu)成重大挑戰(zhàn)。

上?？茖W(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。

該研究聽過整合圖神經(jīng)網(wǎng)絡(luò)（GNN）與 Transformer 模型，開發(fā)了一個用于跨任務(wù)的反應(yīng)性能預(yù)測和合成規(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)測與合成設(shè)計提供了一個通用工具。

上?？茖W(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。

在這項最新研究中，研究團(tuán)隊提出 RXNGraphormer 框架，該框架通過統(tǒng)一預(yù)訓(xùn)練方法協(xié)同處理反應(yīng)性能預(yù)測與合成規(guī)劃任務(wù)。

通過將面向分子內(nèi)模式識別的圖神經(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)計的策略對 1300 萬個化學(xué)反應(yīng)進(jìn)行訓(xùn)練，RXNGraphormer 在反應(yīng)活性/選擇性預(yù)測、正/逆向合成規(guī)劃領(lǐng)域的八個基準(zhǔn)數(shù)據(jù)集，以及反應(yīng)活性/選擇性預(yù)測的三個外源現(xiàn)實數(shù)據(jù)集上均實現(xiàn)了最先進(jìn)性能（SOTA）。值得注意的是，該模型生成的化學(xué)特征嵌入能夠無監(jiān)督地按反應(yīng)類型自發(fā)聚類。

RXNGraphormer 架構(gòu)概述