Synthelite: Chemist-aligned and feasibility-aware synthesis planning with LLMs
作者: Nguyen Xuan-Vu, Daniel Armstrong, Milena Wehrbach, Andres M Bran, Zlatko Jončev, Philippe Schwaller
分类: cs.AI
发布日期: 2025-12-18
💡 一句话要点
Synthelite：利用LLM实现化学家友好且可行性感知的合成路线规划
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 合成路线规划 大型语言模型 化学信息学 人机协同 逆合成分析
📋 核心要点
- 现有CASP系统缺乏与化学专家的有效交互，难以整合专家知识和经验。
- Synthelite利用LLM的化学知识和推理能力，通过自然语言提示实现专家干预的合成路线规划。
- 实验表明，Synthelite在多种约束条件下均表现出高成功率，并能考虑化学反应的可行性。
📝 摘要（中文）
计算机辅助合成规划(CASP)长期以来被认为是合成化学家的辅助工具。然而，现有的框架通常缺乏与人类专家交互的机制，限制了它们整合化学家见解的能力。本文介绍了Synthelite，一个使用大型语言模型(LLM)直接提出逆合成转化的合成规划框架。Synthelite通过利用LLM固有的化学知识和推理能力来生成端到端的合成路线，同时允许通过自然语言提示进行专家干预。实验表明，Synthelite可以灵活地调整其规划轨迹以适应各种用户指定的约束，在策略约束和起始材料约束的合成任务中均达到高达95%的成功率。此外，Synthelite还展示了在路线设计期间考虑化学可行性的能力。我们设想Synthelite既是一个有用的工具，也是朝着LLM成为合成规划中心协调者的范例迈出的一步。
🔬 方法详解
问题定义：现有的计算机辅助合成规划（CASP）系统，虽然在一定程度上辅助了化学家的工作，但缺乏与人类专家进行有效交互的机制。这导致系统难以充分利用化学家的专业知识和经验，限制了其在复杂合成路线设计中的应用。因此，如何设计一个能够与化学家协同工作，并能有效利用专家知识的CASP系统是一个亟待解决的问题。
核心思路：Synthelite的核心思路是利用大型语言模型（LLM）强大的自然语言处理和知识推理能力，将合成路线规划问题转化为一个语言生成问题。通过精心设计的提示（prompt），引导LLM生成逆合成转化方案，并允许化学家通过自然语言进行干预和指导，从而实现人机协同的合成路线设计。
技术框架：Synthelite的整体框架包含以下几个主要模块：1) LLM推理引擎：使用预训练的LLM作为核心推理引擎，负责生成逆合成转化方案。2) 自然语言交互接口：提供自然语言交互接口，允许化学家通过文本提示对LLM的规划过程进行干预和指导。3) 合成路线构建模块：根据LLM生成的转化方案，构建完整的合成路线。4) 可行性评估模块：评估合成路线的化学可行性，并对不可行的路线进行优化。
关键创新：Synthelite最重要的创新在于其将LLM应用于合成路线规划，并实现了人机协同的合成设计模式。与传统的基于规则或模板的CASP系统相比，Synthelite能够利用LLM的知识推理能力，生成更具创造性和灵活性的合成路线。同时，自然语言交互接口允许化学家直接参与到规划过程中，充分发挥专家知识的作用。
关键设计：Synthelite的关键设计包括：1) 提示工程：设计有效的提示，引导LLM生成符合要求的逆合成转化方案。2) 可行性评估：采用多种方法评估合成路线的化学可行性，例如基于规则的评估、基于机器学习模型的评估等。3) 迭代优化：通过迭代的方式，不断优化合成路线，直到满足要求。
🖼️ 关键图片
📊 实验亮点
Synthelite在策略约束和起始材料约束的合成任务中均取得了高达95%的成功率，显著优于传统方法。实验结果表明，Synthelite能够灵活地适应用户指定的约束条件，并能有效地考虑化学反应的可行性。这些结果验证了Synthelite在合成路线规划方面的有效性和优越性。
🎯 应用场景
Synthelite具有广泛的应用前景，可用于药物发现、材料科学等领域。它可以帮助化学家快速生成和评估合成路线，加速新化合物的合成和筛选。此外，Synthelite还可以作为教学工具，帮助学生学习和理解合成化学的原理和方法。未来，Synthelite有望成为化学研究的重要辅助工具，推动化学领域的创新发展。
📄 摘要（原文）
Computer-aided synthesis planning (CASP) has long been envisioned as a complementary tool for synthetic chemists. However, existing frameworks often lack mechanisms to allow interaction with human experts, limiting their ability to integrate chemists' insights. In this work, we introduce Synthelite, a synthesis planning framework that uses large language models (LLMs) to directly propose retrosynthetic transformations. Synthelite can generate end-to-end synthesis routes by harnessing the intrinsic chemical knowledge and reasoning capabilities of LLMs, while allowing expert intervention through natural language prompts. Our experiments demonstrate that Synthelite can flexibly adapt its planning trajectory to diverse user-specified constraints, achieving up to 95\% success rates in both strategy-constrained and starting-material-constrained synthesis tasks. Additionally, Synthelite exhibits the ability to account for chemical feasibility during route design. We envision Synthelite to be both a useful tool and a step toward a paradigm where LLMs are the central orchestrators of synthesis planning.