基于大语言模型的有机化学合成助手CheMMa
第一， 研究作者、机构与发表信息 本研究的主要作者为Yu Zhang， Yang Han， Shuai Chen， Ruijie Yu， Xin Zhao， Xianbin Liu， Kaipeng Zeng， Mengdi Yu， Jidong Tian， Feng Zhu， Xiaokang Yang， Yaohui Jin， Yanyan Xu。作者单位主要来自上海交通大学，包括人工智能教育部重点实验室、人工智能研究院以及化学化工学院等。该研究于2025年7月以题为“Large language models to accelerate organic chemistry synthesis”的文章形式，发表在学术期刊 Nature Machine Intelligence 的第7卷第1010-1022页上，已在线发表。
第二， 学术背景与研究目的 本研究属于交叉学科领域，核心是人工智能在化学合成中的应用，具体方向是利用大语言模型（Large Language Model， LLM）辅助和加速有机化学合成研究。化学合成是化学学科的基石，也是药物发现、材料科学和新能源等前沿领域的关键手段。然而，传统的化学合成过程高度依赖研究人员的经验，通常需要耗费大量时间和资源进行反复试错，尤其是在探索未知反应或优化反应条件时，面对巨大的反应空间和复杂的分子结构，效率低下。尽管近年来人工智能技术，特别是机器学习，在化学反应预测、逆合成分析等领域取得进展，但现有方法多依赖于密度泛函理论（Density Functional Theory, DFT）计算来获取分子描述符，或需要专家手动定义反应空间（封闭反应空间），且大多需要高通量实验平台获取数据，其普适性和探索能力有限。
另一方面，以GPT-4为代表的大语言模型在自然语言处理和跨学科科学问题解决上展现出强大潜力。考虑到分子结构可以用简化分子线性输入系统（Simplified Molecular-Input Line-Entry System, SMILES）等字符串表示，而化学反应在文献中多以自然语言描述，研究者认为大语言模型具备成为化学研究助理的潜力：它们可以从大量反应数据中学习分子表示、理解反应物-产物-条件之间的关系，并生成新的化学见解。基于此，本研究旨在开发一个专门针对有机化学合成领域进行全微调的大语言模型，使其能够像化学家一样理解和提取化学反应数据中的知识，并作为一个生成式助手，在多类化学任务上达到或超越现有最佳水平，更重要的是，能够辅助甚至自主探索开放反应空间，从而革新有机化学合成的研究范式。
第三， 详细研究流程与方法 本研究是一个系统性工程，涵盖模型构建、性能评估、应用验证等多个环节，其核心是开发名为CheMMa的大语言模型，并将其集成到一个主动学习框架中。
1. 模型设计与数据准备 研究团队基于LLaMA-2-7B基础模型进行全微调，构建CheMMa。其创新性体现在以下几个方面： * 多任务指令微调：研究构建了一个包含128万对问答的大型数据集，用于训练模型。这些问答对覆盖了有机化学合成的核心任务：正向反应预测（给定反应物和条件预测产物）、单步逆合成分析（给定目标产物预测前体反应物）、反应条件生成（推荐反应配体、溶剂等）以及反应性能预测（产率、区域选择性和对映选择性预测）。为确保训练数据的多样性和质量，研究利用GPT-4生成了2000个针对每个任务的提示模板。 * 双阶段训练策略：对于生成式任务（前三种），采用监督微调（Supervised Fine-Tuning， SFT）得到基础模型CheMMa-SFT。对于条件生成任务，进一步训练了一个奖励模型（Reward Model， RM）——CheMMa-RM，它通过从实验反馈中进行强化学习（RLHF），学习识别“更优”的反应条件。对于回归预测任务（如产率预测），采用两阶段策略：第一阶段，从训练好的CheMMa-SFT中提取反应的嵌入表示；第二阶段，构建回归网络（多层感知机）来预测产率或选择性。 * 化学语言整合：模型将SMILES化学语言与自然语言指令相结合，使其能够理解化学家以自然语言提出的问题，并以SMILES或自然语言形式给出答案，实现了人机交互。
2. 模型性能基准测试 研究在多个公开基准数据集和湿实验数据集上全面评估了CheMMa的性能，以确保其作为化学助理的可靠性。测试任务包括： * 逆合成分析：在USPTO-50K数据集上，CheMMa在无模板、未知反应类别的设定下，实现了72.2%的top-1准确率，显著超越了当时最先进的图神经网络和基于Transformer的模型（如NAG2G的55.1%），也远超通用大模型如GPT-4在该任务上的表现。 * 配体推荐：在钯催化的咪唑C-H芳基化反应数据集上，给定特定的碱-溶剂组合，CheMMa能够推荐出在该条件下产率分布中位数最高的配体。在评估的16个碱-溶剂组合中，有15个组合下CheMMa推荐的配体表现最佳。 * 产率预测：研究在多个钯催化反应（如Suzuki-Miyaura偶联、Buchwald-Hartwig偶联、咪唑C-H芳基化）的高通量实验数据集和电子实验记录本数据上测试了CheMMa。结果显示，仅以SMILES和条件为输入，无需DFT描述符，CheMMa的预测产率与实验观测值具有良好相关性（R²值在0.74至0.86之间，RMSE在5.20%至6.59%之间），性能可与依赖复杂分子描述符的传统机器学习模型相媲美，甚至在数据有限的情况下表现更优。 * 选择性预测：在区域选择性和对映选择性预测任务上，CheMMa同样表现优异。例如，在自由基C-H官能团化反应的区域选择性预测中，R²达到0.93；在手性磷酸催化的硫醇加成反应的对映选择性预测中，R²达到0.89。这再次证明模型从反应数据中学到了与化学选择性相关的深层分子表示。
3. CheMMa生成数据的价值与应用 研究探索了CheMMa生成数据（如预测产率）的两个重要应用： * 增强传统模型：在仅能获得少量真实实验数据（如5%）的场景下，用CheMMa生成的合成数据补充至90%用于训练基于DFT描述符的随机森林模型。结果显示，这种“CheMMa增强的RF模型”性能显著优于仅使用少量真实数据的模型，并接近使用90%全量真实数据训练的模型，证明了生成数据在少样本学习中的价值。 * 加速反应优化：研究提出了CheMMa-BO方法，将贝叶斯优化（Bayesian Optimization, BO）与CheMMa生成的产率先验知识相结合。具体流程是：先用CheMMa预测整个反应空间的产率分布；然后用高斯过程模型拟合实验观测产率与CheMMa预测值之间的偏差；最后基于校正后的预测和预期改进采集函数来选择下一批实验条件。在Suzuki-Miyaura和Buchwald-Hartwig反应的优化中，CheMMa-BO仅需15-25次实验就能达到接近100%的产率，效率远高于传统BO和直接使用GPT-4作为优化代理的方法。
4. 探索开放反应空间的主动学习框架 这是本研究最具创新性的应用部分。研究将CheMMa集成到一个主动学习框架中，使其能够作为“实验助理”探索专家未预先定义所有条件的“开放反应空间”。工作流程如下： * 启动：化学家提出目标反应，并提供初始条件（基于经验或文献），或完全由CheMMa通过零样本提示生成初始条件。 * 建议-反馈循环：CheMMa根据当前知识推荐新的反应条件（如新配体、新溶剂）。化学家进行湿实验，获得产率等结果。 * 模型更新：将实验数据（存入电子实验记录本）用于微调CheMMa（例如通过RLHF），使其更适应这一特定反应。 * 迭代：重复上述循环，直到达到目标产率或资源耗尽。 * 验证案例：研究团队将该框架应用于一个此前未报道的反应：环状氨基硼酸酯与芳基卤化物的Suzuki-Miyaura交叉偶联合成α-芳基N-杂环。在仅进行了15轮实验后，人机协作成功探索出了高效的配体（三(1-金刚烷基)膦，PAd3）和溶剂（1,4-二氧六环），并实现了最高67%的分离产率。这一成果充分证明了CheMMa在开放空间中自主探索和优化反应条件的强大潜力。
第四， 主要研究结果及其逻辑关系 1. 模型构建与基准性能结果：成功开发了全微调大语言模型CheMMa，并在逆合成、配体推荐、产率预测、选择性预测等多个核心化学任务上取得了达到或超越现有最佳方法的结果。这些结果首先验证了研究的基本假设：即专门设计的大语言模型能够有效学习化学知识，并胜任复杂的化学推理任务。这为后续的进阶应用（数据生成、优化、探索）奠定了基础。 2. 生成数据的价值验证结果：证明CheMMa生成的合成数据可以有效地补充和增强基于物理描述符的传统机器学习模型，特别是在数据稀缺的情况下。这一结果将CheMMa的角色从“任务执行者”扩展为“数据生产者”，为克服化学AI研究中数据瓶颈问题提供了新思路。 3. 反应优化加速结果：CheMMa-BO方法在标准反应优化测试中表现出极高的效率。这一结果直接衔接并支持了后续的开放空间探索。它表明，将LLM的先验知识与基于实验反馈的贝叶斯优化结合，可以更智能、更快地导航巨大的化学空间。这为“实验助理”角色的核心能力——优化——提供了强有力的证据。 4. 开放反应空间探索的成功案例结果：在未报道的N-杂环合成反应中，通过主动学习框架，仅用15次实验就发现了高效反应条件。这是整个研究的核心突破性成果。它逻辑上源于前三个结果：模型具备化学知识（结果1）、能提供有价值的先验和生成新假设（结果2、3），并通过与实验的交互学习不断进化。这一结果最终证实了CheMMa的核心设计目标：作为一个生成式助手，能够在最少的人工干预下，辅助化学家探索未知的化学反应领域。
第五， 研究结论与价值 本研究得出结论：通过在大规模化学数据上进行专门的全微调，大语言模型可以深刻理解和提取化学反应中的知识，其能力堪比人类专家。由此开发的CheMMa模型，不仅是一个强大的人机交互式化学问答助手，更是一个能够通过主动学习框架自主探索和优化化学反应的“实验助理”。这一工作为利用适应特定领域的大语言模型加速科学研究开辟了新途径。 其科学价值在于：提出并验证了一种革新化学研究范式的新方法，即让AI模型像化学家一样从文献和数据中学习，并直接参与从反应设计到条件优化的全流程，将化学家的经验与AI的快速计算和模式识别能力深度融合。应用价值极为显著：可大幅提高新反应发现、条件优化和复杂分子合成的效率，降低研发成本和时间，有望在药物研发、新材料发现等领域产生深远影响。此外，该研究也为构建未来“自主化学实验室”提供了关键的技术组件。
第六， 研究亮点 1. 首创性领域专用LLM：CheMMa是首个针对有机化学合成进行全面、深度微调的大语言模型，其能力专为化学任务定制，超越了通用LLM在化学领域的局限性。 2. 突破开放反应空间探索：研究最大的亮点在于成功地将LLM集成到主动学习框架中，并实证了其在“开放反应空间”（即条件池非预定义）中探索未知反应的可行性，这是此前多数AI化学方法未能实现的。 3. 多任务卓越性能：CheMMa在多个独立的化学任务基准测试中均达到顶尖水平，证明了其化学理解的深度和广度。 4. 生成数据的创新应用：不仅将LLM用于预测，还创造性将其用作“数据生成器”来增强其他模型和优化算法，拓展了LLM在科研中的应用边界。 5. 完整的人机协作工作流验证：从理论模型到基准测试，再到真实的湿实验验证（包括一个全新的合成反应），形成了完整、闭环的研究链条，结论坚实可信。
第七， 其他有价值内容 研究在讨论部分也坦诚地指出了CheMMa的局限性及应对策略，并探讨了负责任发展的相关问题，体现了严谨的科学态度： * 局限性：包括对观测数据极少的反应处理能力仍有限；对于完全未报道的反应，初期需要化学家反馈来启动学习循环；可能存在“幻觉”生成不合理的合成路径。对此，提出的对策包括引入更多专家知识、使用标准化提示模板、以及始终让化学家作为最终决策者（作为副驾驶）。 * 风险与伦理：特别关注了潜在误用（如合成有害物质）、知识产权归属以及模型偏见等问题。研究团队在其发布的在线服务中采取了硬编码安全模板、化学性质自动筛查等措施，并建议所有CheMMa生成的方案需经经验丰富的化学家审核。这些讨论对于未来AI4Science工具的实际部署至关重要。 * 未来展望：文章展望了进一步研究CheMMa化学可解释性（探究其嵌入表示的化学语义）的可能性，以及将其与具身AI结合构建完全自主化学实验室的宏伟愿景，为后续研究指明了方向。