SynthEx：大模型多智能体逆合成破局，复杂天然产物规划求解率达63.9%
Strategy-first synthesis planning for complex natural products
在有机化学领域，复杂天然产物的全合成一直被视作最具智力挑战与艺术美感的巅峰。面对交错盘结的多环骨架、密集的反应活性位点和严苛的立体化学构型，人类顶尖的合成化学家往往需要“策略先行”：先在宏观层面构想核心骨架的构筑策略与关键断键，在脑海中演练数步乃至数十步反应的先后顺序，甚至为可能出现的副反应准备好备选方案。相比之下，计算机辅助逆合成分析（CASP）虽然发展了半个世纪，却始终被困在专利文献训练出的“模板库”中。传统基于规则库或单步模型驱动的算法，在处理市售简单分子或专利常见结构时已接近饱和，但一旦面对天然产物这片前沿阵地，它们往往寸步难行——其搜索空间高度受限，难以跨越未知反应的鸿沟，更缺乏全盘谋划的长程战略眼光。
ArXiv URL：https://arxiv.org/abs/2608.07454v1
来自瑞士洛桑联邦理工学院（EPFL）等机构的研究团队推出了基于大语言模型的多智能体合成规划系统 SynthEx。该系统摆脱了传统算法对预设固定反应模板库的依赖，开创性地模拟资深化学家“策略先行、局部推导、批判修复”的思考流程。在针对 1,098 个结构高度复杂、且此前从未有文献报道过全合成路线的天然产物分子基准测试中，传统顶尖模板算法的完整路线求解率仅有 13.8%，而 SynthEx 将求解率一举提升至 63.9%，实现了近五倍的跨越式突破。不仅如此，在完全双盲的同行评议中，资深有机化学家对 SynthEx 生成的关键反应步骤给出了与已发表人类经典全合成路线平起平坐的评价。
传统算法为何在天然产物前折戟
要理解 SynthEx 的技术意义，首先需要厘清现有逆合成工具面临的根本困境。自从科里（E. J. Corey）奠定逆合成分析的逻辑基石以来，将复杂目标分子逐级拆解为简单前驱体的思维模式深刻改变了化学。随着深度学习崛起，诸如 AiZynthFinder 等主流逆合成规划工具通常采用两阶段框架：先利用神经网络策略在百万级 USPTO 专利反应库中挑选候选模板，再借助蒙特卡洛树搜索（MCTS）逐级向后推导，直至碰触到可市售的商业原料分子。
这类工具在 USPTO-190、PaRoutes 等标准化测试集上动辄刷出 90% 以上的成功率，给人一种逆合成规划已经彻底解决的假象。然而，这很大程度上只是“数据分布内”的幻觉。专利数据中充斥着大量的偶联反应、酰胺化反应以及简单的官能团相互转化，算法在这些重复性强、单步骤驱动的化学空间里如鱼得水。然而，真正的天然产物全合成完全属于另一类化学世界——它需要高收敛性的成环级联反应、精妙的串联重排、对酸碱敏感基团的全局时序管理。
专利模板库里极少包含这类高难度、高度情境依赖的转化。一旦进入缺乏现成模板的天然产物复杂多环领域，传统 MCTS 就会陷入维数灾难：它在微观层面盲目穷举局部断键，既看不到十几步之后如何闭合核心母环，也无法评估某一官能团对全局战略的影响，最终导致搜索树迅速膨胀枯竭，给出断裂甚至荒谬的路线。
多智能体协作与无模板图编辑的底层重构
SynthEx 改变了这种自下而上的盲目搜索，改用大语言模型构建了五个分工明确的智能体，形成了一个涵盖“宏观战略构想、微观步骤生成、正向可行性批评、外科手术式编辑、全局质量评估”的完整工作闭环。这一架构的核心驱动基座选用了前沿大语言模型（如 Gemini 3.1 Pro Preview），并在此基础上实现了底层的反应机制重塑。
系统的第一个核心角色是策略生成器（Strategy Generator）。面对输入的复杂靶标分子，它并不急于拆解第一个单键，而是先针对骨架核心基序、关键成环反应、潜在官能团冲突与保护基需求、立体中心构筑等关键维度执行结构化拆解，产出三条相互竞争的宏观全合成策略。每一条策略都紧紧锚定在最具决定性的核心断键上。这种高层次的策略描述随后作为强引导向量，注入下游的搜索管道。
紧接着，路线构建器（Route Builder）将抽象战略细化为具体的反应步骤序列。在这一步，SynthEx 彻底抛弃了易造成格式错误或化学语义模糊的传统反应 SMILES 文本，创新性地提出了 ReactionJSON 结构化表达机制。在 ReactionJSON 中，化学反应不再被视作死板的字符串匹配，而是被形式化定义为一组原子级别的图编辑操作（Graph Edits）。
该系统预设了包含断键（break_bond）、成键（add_bond）、修改键级（change_bond_order）、原子类型变更（change_atom）、立体中心翻转（invert_stereocenter）等在内的十种底层图操作图元。例如，逆 Diels-Alder 反应在 ReactionJSON 中被精炼地编码为：先进行两次 change_bond_order 操作恢复双烯体和亲双烯体的双键，再调用两次 break_bond 切断新生成的两根碳碳单键。这种图编辑机制从数学上保证了原子映射（Atom-Mapping）的内在严格一致，让大模型摆脱了模板库的桎梏，得以自由在广袤的化学化学键合空间中自由挥洒，自如地书写出传统规则库根本不存在的前沿反应。
然而，大模型自由构想的反应极易遭遇“化学合理性”的质疑。为此，SynthEx 引入了批评家（Critic）与编辑器（Editor）构成的迭代自省环路。批评家智能体负责对路线中的每一步反应进行正向推演，精准识别出化学上不成立或存在严重竞争反应的步骤。当批评家标出潜在隐患后，编辑器智能体不会推倒重来，而是实施针对特定反应步骤的“局部外科手术式替换”，在不破坏顶层核心战略的前提下修复路线缺陷。最后，分析器（Analyst）对整体路线的可行性进行多维打分，标记关键挑战与风险节点。
经典分子推演：直面专家级化学智慧的考验
路线规划算法到底靠不靠谱，仅凭冰冷的数字无法全面体现，必须接受严苛的真实合成逻辑审视。研究团队挑选了三个具有代表性、难度递进的天然产物目标，展示了 SynthEx 在面对未知化学空间时的推导能力。
第一个案例是生物碱中间体 Okaramine M。该分子的全合成路线发表于底层大语言模型的训练截止日期之后，模型在预训练阶段从未见过相关实验报告。然而，SynthEx 给出的合成方案惊人地复现了顶尖有机化学家构思的战略精髓：系统自主设计了关键的串联异戊烯基化与亚胺捕获级联反应，以极具收敛性的方式快速锁定了目标分子的核心稠环骨架。这种重构未曾见过的专家级设计的能力，证明系统并非在机械背诵训练集，而是形成了对复杂反应机理的抽象归纳与泛化推演能力。
如果说复现既有路线尚不能完全排除隐性先验偏差，那么第二类案例 Melonine 则带来了更具冲击力的对比。Melonine 是一种具有高度拥挤桥环体系的五环单萜吲哚生物碱，其全合成工作同样在模型知识截止日期之后才陆续见刊。面对这一分子，SynthEx 并没有照搬近期发表的仿生全合成文献，而是自主设计出了一条全新的关键断键路线——利用串联氮杂-Cope重排结合 Pictet–Spengler 反应完成核心环系的组装。令人瞩目的是，参与该天然产物攻关、此前曾发表过相关成果的人类化学专家在评估这一方案时明确指出，文献中已报道的路线因中间体存在空间位阻冲突而产率受限，而 SynthEx 提出的这一替代断键构想完全符合空间动力学规律，具备极高的实验可行性，甚至有望解决文献路线遗留的痛点问题。这种让深耕该靶标的人类专家产生实验验证冲动的路线设计，在以往 CASP 工具中是不可想象的。
第三个案例则探讨了工业与学术界常见的“定向冲刺”场景：从特定高级中间体向目标分子的跨越。在实际研发中，化学家往往手中已经通过生物转化或多步反应拿到了某种较为充足的高级中间体，难点在于如何跨越最后几步完成转化。例如将三环麦角生物碱 Chanoclavine 转化为 Lysergol，核心挑战在于无文献先例的情况下闭合高度敏感的 D 环。SynthEx 在接受了固定起始物料的强约束后，在没有任何人类额外提示的前提下，自主规划出了一套利用经典的 Hofmann–Löffler–Freytag 自由基重排闭环的优雅序列，展现出了极具战略深度的目标导向推理能力。
动态自纠偏机制：分子多步合成的容错闭环
多步合成路线的推导与编写代码极为相似，任何一步微小的官能团不兼容，都会导致后续多步反应全部瘫痪。在代码生成领域，智能体依赖编译器报错和测试用例反馈进行迭代改写；而在合成化学中，除了昂贵的湿实验，并没有现成的通用“物理编译器”。SynthEx 通过批评家与编辑器的多轮博弈，建立起了一套高效的化学推理验证环境。
在针对天然产物 Monascuspirolide A 的路线优化过程中，这一纠偏机制展现得淋漓尽致。在初始阶段，路线构建器生成的初版方案虽然骨架拆解合理，但存在几个致命的化学活性冲突。首先，初版路线在较早阶段就引入了对酸极度敏感的螺缩酮（spiroketal）环系，而随后的关键步骤中包含需要强路易斯酸催化的傅-克反应（Friedel–Crafts reaction），这必然导致螺缩酮骨架在酸性环境下彻底分解。批评家敏锐地捕捉到了这一冲突，编辑器随即果断介入，在保持整体断键逻辑不变的情况下，将螺缩酮化反应在时间线上直接顺移至全合成的终局步骤，最大限度缩短了敏感环系的暴露窗口。
与此同时，批评家在另一处克莱森缩合（Claisen condensation）步骤中发现，苯乙酮底物上挂载的 $\alpha$-酮酸酯基团具有极高的亲电性，甚至超过了参与缩合的外部底物酯基，这在强碱条件下必然引发不可控的自聚副反应。针对该问题，编辑器调整了反应时序，将 Horner–Wadsworth–Emmons（HWE）烯化反应提前执行，彻底消除了可能导致自聚的 $\alpha$-位酮羰基，同时为羧酸引入叔丁酯保护基，将游离羟基转化为特戊基硅基醚（TBDMS）进行钝化，成功屏蔽了后续克莱森缩合中强碱的进攻。
通过这种“细粒度诊断、时序重排、保护基定向引入”的闭环迭代，SynthEx 能够将粗糙的概念性草案逐步提纯为具备极高化学可操作性的严密工艺路线。这种自我审视与局域重塑的能力，正是它在长链条推导中不至于脱轨的关键支撑。
拓展化学边界：SynthAtlas 百万步反应库的诞生
为了在统计学层面客观衡量 SynthEx 的极限能力，研究团队构建了涵盖 1,098 个分子的超大型基准测试集。这些分子全部严格筛选自天然产物数据库 NPAtlas，在入选时均未见任何公开文献报道过全合成，且具备极高的结构复杂度（Bertz 复杂度分布于 900 至 2,200 之间，包含 4 至 12 个立体中心以及 2 至 8 个环系）。基准测试的核心判定准则极其严苛：只有当系统规划出的路线能沿着逆合成树完整回溯到 ZINC 或 eMolecules 商业现货库中的市售小分子时，该分子才被判定为“成功求解”。
测试结果形成了鲜明对比。在这一代表人类有机合成前沿难度的分子集合上，即使给予近三万次策略网络调用和宽裕的 MCTS 计算资源，基于固定专利模板的 AiZynthFinder 基线模型也仅能解决 13.8% 的分子；而 SynthEx 取得了 63.9% 的求解覆盖率。更重要的是，随着分子环系数量和立体中心复杂度的攀升，基线模型的成功率呈现雪崩式下跌，而 SynthEx 的性能优势反而随分子复杂度的提高进一步拉大。这证明 SynthEx 在面对高难度立体多环体系时，拥有传统穷举搜索所无法企及的泛化能力。
在取得突破性基准数据的基础上，研究团队将生成的 3,243 条原创全合成路线（覆盖 1,098 个复杂靶标，包含 33,145 个详尽指定的独立反应步骤）进行全量整理，构建并开源了交互式数据库 SynthAtlas。与以往依赖后处理映射、频频出现原子错位的专利数据库不同，SynthAtlas 中的每一个反应均由 ReactionJSON 底层图编辑严格推演生成，天然具备 100% 准确自洽的原子映射追踪信息，并附带完整的成环标签与反应物状态标注。
通过对反应空间的降维聚类分析可以清晰看到，传统 USPTO 专利库中的反应高度富集在边缘的官能团偶联区域，而 SynthAtlas 中的反应步骤则大举深入到高收敛性、多键协同构筑的成环化学腹地。可以说，SynthAtlas 填补了高阶有机合成缺乏高质量结构化推导数据的长期空白，既为计算化学界提供了高质量的评测蓝本，也为全球药物化学与全合成实验室直接提供了 1,098 个无文献记载先例的分子路线路线图。
人机协同：从算法评测走向合成实践
面对 SynthEx 展现出的规划能力，我们也应理性厘清当前技术的边界。首先，SynthEx 规划出的路线在平均步长上往往长于文献中经过千锤百炼的人类路线。这反映了自动化算法的第一提案与人类实验室精细打磨之间的客观差距：人类团队在数月乃至数年的攻坚中，会反复摸索一锅法串联、借用相邻基团参与、精简保护基步骤，而 SynthEx 的输出在本质上是未经湿实验验证的“概念性最优草案”。
此外，虽然由批评家智能体构筑的内部校验环路大幅降低了低级化学冲突，但归根结底，语言模型构建的批判体系仍属于认知层面的内部一致性验证，而非实验室维度的绝对真理。一个在纸面推理上无懈可击的环加成反应，在真实烧瓶中仍可能因溶剂极性、痕量水分、细微的立体位阻翻转或晶型析出而陷入僵局。
正因如此，这项工作所预示的最具生产力的近期形态，并非让人工智能完全取代化学家，也不是让化学家回到闭门造车的传统模式，而是建立一种深度的人机协同机制。资深化学家凭借深厚的直觉和经验，可以通过自然语言向大模型输入指导性的宏观战略方向或指定手头持有的关键原料；而 SynthEx 则凭借其广博的无模板反应图编辑能力和多智能体纠偏网络，不知疲倦地推演千百种细节拼图，将抽象的战略灵感高效具象化为严丝合缝的反应步骤。
从依赖死板专利模板的浅层匹配，跨越到具备长程战略推演与局部自省能力的智能体协作，SynthEx 为 AI for Chemistry 注入了关键的“高阶推理”范式。随着未来反应物理化学条件的精细化融入，以及自动化高通量合成实验室闭环验证的打通，这套策略优先的逆合成逻辑，正在将人类从浩繁繁杂的琐碎步骤检索中解放出来，让合成化学的创造力在更辽阔的化学空间中加速跃迁。