The Innovation Informatics | 人工智能驱动的逆合成规划：数据、模型与工具的系统综述

逆合成规划是化学合成设计的核心环节，但相关研究分散且方法体系欠缺统一框架。撰写此综述的初衷，是希望通过系统整合近年来 AI 在逆合成领域的研究进展，为新入门者搭建清晰的知识结构，也为相关研究者提供全面的对比、分析与思考，从而推动智能化合成的进一步发展。

导 读

人工智能的兴起正在重塑化学合成设计的模式，逆合成作为合成规划的核心，正成为深度学习与大语言模型竞逐的重要方向。本文系统梳理了 AI 在逆合成规划中的关键进展，从基础数据、核心模型到工程化工具链，全面总结了当前技术体系的优势、瓶颈与未来潜力，旨在为读者呈现该领域的发展全貌。

图1 图文摘要

人工智能的发展正深刻改变化学合成设计的传统模式，逆合成为其中最关键的步骤之一，它承担着从目标分子反推可行合成路径的核心任务。随着化学知识库的扩充与计算资源的提升，AI 驱动的逆合成规划正从早期的辅助工具逐步演变为具备独立决策能力的智能系统。相关研究围绕数据基础、方法体系与工具链建设持续推进，形成了较为系统的技术格局，并不断向更高层次的自动化与智能化方向发展。具体来说，逆合成规划就是以目标分子为输入，通过单步逆合成模块（反应物推荐、条件预测与产率估计）与多步逆合成搜索的联动，实现可行且可执行的多步合成路线设计（图2）。

图2 逆合成推断管道

在单步逆合成的研究中，主流工作通常聚焦于反应物推断，并沿着模板匹配、模板自由以及多任务融合式建模三条技术路线演进。然而，这种思路忽视了单步逆合成本应同时涵盖反应物推荐、反应条件预测、产率估计等核心要素，这些要素共同决定了一个合成步骤是否具有“实验可执行性”。将单步逆合成拆分为多个彼此割裂的子任务不仅使模型无法形成完整的化学认知，也导致整体系统难以直接用于真实合成规划。随着大语言模型的出现，语义理解与跨模态表达能力使得更完整的单步逆合成定义成为可能，构建一个集成 “反应物推荐—条件预测—产率估计”能力的统一框架将成为实现科学且可执行的逆合成预测的关键方向（图3）。

图3 单步逆合成模块研究内容总览

在单步逆合成不断成熟的基础上，多步合成规划成为更具挑战性的研究重点。基于搜索算法（如 MCTS、A*）的规划方法被广泛采用，并与策略模型、价值模型、反应预测模块等深度耦合，通过启发式控制、约束机制与动态评价提升搜索效率。面对多步规划中需要同时处理庞大的搜索空间、步骤依赖关系及可实验性判断的挑战，综合利用单步预测、全局策略与约束优化的融合框架正逐渐成为主流趋势（图4）。

图4 多步逆合成内容概述

与此同时，AI 逆合成系统正加速迈向工程化与实际应用。AiZynthFinder、ASKCOS、IBM RXN 等代表性系统已在学术界和工业界得到广泛使用。工具性能不仅依赖模型预测能力，还取决于底层数据支持体系、模块化结构设计、接口可调用性以及与自动化实验平台的连接能力。未来逆合成智能体将以端到端自动化的方式统筹反应物推荐、条件选择和路线规划，使不具备专业背景的用户也能够一键获得可靠的化学合成方案（图5）。同时，随着自动化实验设备的发展，不断缩短逆合成预测到实验验证的周期，推动合成流程向闭环自动化方向演进。模型、数据库、合成规划引擎和实验机器人之间的深度集成，有望孕育出全流程自动化的化学合成系统。

图5 大语言模型助力的逆合成预测

总结与展望

AI 逆合成规划正处于快速演进阶段，在模型复杂度、结构表征能力以及多步规划方法等方面不断取得突破。然而，数据质量不统一、模型泛化能力有限、可解释性不足和合成路线可执行性不高等问题仍制约着进一步发展。未来的研究趋势将更加侧重跨模态表示、端到端决策、多任务学习、实验条件建模以及与机器人化学平台的无缝衔接。在大模型与自动化技术的驱动下，一个覆盖从分子设计到实验执行的全自动化逆合成体系正逐步成形，并将进一步推动计算化学与智能化合成的深度融合。

责任编辑

司伟鑫   深圳理工大学

王   洋   The Innovation