Molecular traps reveal limitations of synthesis planning algorithms
本文引入了“分子陷阱”——即通过刻意设计，利用常见算法弱点的分子——旨在系统性地揭示当前计算机辅助合成规划工具在化学选择性、区域选择性和位阻效应方面的重大缺陷，从而为开发更具实用性和可靠性的合成算法提供一个关键的压力测试框架。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在过去的十年里，计算机在绘制构建复杂分子（构成药物、塑料和现代生活材料的微小结构）的路径方面变得异常擅长。这个领域被称为计算机辅助合成规划，它要求机器观察一个完成的化学物质，并向后推导以确定哪些更简单的原料和步骤可以创造出它。其目标是找到一条不仅在理论上可行，而且在实际实验室中具有可行性的路径，这意味着反应必须高效进行，并产生正确的分子版本，而不会产生混乱且多余的副产物。虽然计算机在提出这些路径并于标准测试中获得高分方面已经变得更快，但一个悬而未决的问题仍然存在：这些算法是真的理解化学的微妙规则，还是仅仅在记忆来自过去成功案例的数据库模式？
由清华大学的杨天（Yang Tian）领导的研究团队以及来自 InsightChemy Co., Ltd. 的同事们决定通过设计一种特定的挑战来测试这些“数字化学家”的极限。他们设计了所谓的“陷阱分子”。这些不是等待被制造的真实化学物质，而是专门为了迷惑软件而设计的合成结构。研究人员构建这些陷阱是为了利用人类化学家必须极度谨慎的三个常见领域：在多个部分看起来相似时选择哪一部分进行反应、确保反应发生在环状结构的精确位置，以及避免分子过于拥挤导致反应无法发生的情况。通过将这些棘手的设计输入到三种不同的领先算法中，该团队发现，软件经常无法识别这些基本的化学约束，经常建议会导致产生错误产物或在真实实验室中完全失败的路线。
研究人员通过生成一百个旨在让软件在化学选择性上出错的分子、一百个用于位置选择性、以及二十七个用于位阻效应的分子来构建其测试集。在第一类——化学选择性中，问题在于分子包含多个可以在相同条件下发生反应的基团。人类化学家知道，如果一个分子有两个不同的反应位点，其中一个可能比另一个反应得更快，或者需要特定的条件来保护其中一个，从而使另一个发生变化。研究人员构建了包含一个目标反应位点和一个可能产生干扰的敏感基团的陷阱分子。当算法被要求规划合成时，它们经常提出的步骤忽略了这种敏感性，建议了一个会破坏敏感基团或与错误部分发生反应的路径。在针对已知错误进行的预设测试中，研究人员发现算法在一百个分子中有五十一个到五十八个出现了错误。当研究人员使用 AI 智能体增加第二层审查以识别其他类型的错误时，失败率上升，算法在一百个案例中有六十六到七十七个出现了错误。
第二个挑战涉及位置选择性，这涉及具有两个或多个看似相同的反应位点的分子。在真实的实验室中，如果反应发生在两个位点，就会产生异构体混合物——即原子相同但排列方式不同的分子——这类混合物极难分离。研究人员创建了具有两个近乎相同的反应中心、仅在周围环境（如一侧是甲基，另一侧是乙基）上有微小差异的陷阱分子。他们想看看软件是否能识别出在两个位点同时发生反应是一个死胡同。结果非常显著。在针对已知错误的初步检查中，算法在一百个分子中有四十八到六十九个未能识别出问题。一旦 AI 智能体审查了剩余的预测以寻找细微问题，失败的总数大幅上升，算法在一百个陷阱分子中有八十五到九十三个提出了不切实际的路线。
最后一个类别测试了位阻效应，即反应位点周围的物理拥挤程度。如果一个分子被庞大的基团填满，试剂就无法足够靠近以进行反应，就像试图将一个大物体放入一个狭小的空间一样。研究人员设计了带有阻挡反应中心的巨大、笨重基团的分子。他们发现，主要基于成功反应进行训练的算法，难以识别由于这种拥挤而导致反应在物理上不可能发生的情况。在预设测试中，算法在二十七个陷阱分子中有二十一个到二十六个未能识别出问题。即使在 AI 智能体审查后，失败率仍然极高，算法在二十七个分子中有二十五个甚至全部提出了不可能的路线。
除了这些特定类别之外，研究还揭示了一个更广泛的问题：算法有时会产生“幻觉”。这些预测在化学上完全不成立，例如建议一个复杂的分子可以由一种简单的气体构建，或者提出原子移动到不可能位置的反应。研究人员指出，这些源于算法尚未学习到稳定化学规则的荒谬预测，可能是一个比选择性错误更根本的问题。研究结论认为，虽然目前的软件在速度和规模方面取得了令人印象深刻的进展，但它缺乏对定义成功化学反应的边界的深度理解。使用这些陷阱分子提供了一种压力测试这些系统的新方法，揭示了如果没有对失败模式和物理约束更好的掌握，计算机提出的路线可能仍难以在现实世界中使用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。