上海大学量子与分子结构国际中心（ICQMS）、物理系东方学者Mark Waller教授（个人主页），近日在国际顶级期刊Nature上发表了以上海大学为通讯作者单位的研究论文“Planning chemical syntheses with deep neural networks and symbolic AI”。该团队应用深层神经网络及人工智能算法，来规划新的化学合成路线。

图：Nature在线刊登Mark Waller教授最新研究成果

传统的化学合成路线设计一般采用被称为“逆合成分析”的策略，把要合成的复杂目标分子拆分成若干小分子前体，对前体再拆分，不断进行，直到达到实验室已有的化合物为止。Mark Waller教授应用计算机来辅助逆合成分析，开发了新的计算预测系统。该系统采用蒙特卡洛树进行搜索，并引入符号人工智能来寻找逆合成分析的路线。并且，在蒙特卡洛树步骤还中引入了两种深度神经网络来提高计算精度与效率：扩张决策网络用于寻找路径，过滤网络用于对可能的逆合成路线进行初步筛选。用于训练神经网络的测试集包括了所有已经发表过的有机化学反应。

图：和两种传统合成方法相比（红色和绿色），使用新型人工智能算法（蓝色）在较短时限内可以完成更多分子的合成路线预测（图片来源：《Nature》）

经测试，Mark Waller教授开发出的分析系统比传统的计算机辅助法快30倍，预测出的合成路线比传统计算机辅助法给出的多一倍，还不需要任何其他的经验或者假设。

Mark Waller教授开发的逆合成分析系统的结果具有很高的专业水平，在一个双盲的AB测试中，大部分接受测试的化学家都认为，分析系统生成的合成路线是与已经发表的文献等价的。 

“在过去的60年里，科学家们一直试图通过人工编码的方式，将合成规则指定给计算机，”Waller博士在论文中写道：“和传统方法不同的是，我们使用了具备规划能力、符号象征能力及自动化学习能力的强大算法，这对于计算机能否在化学合成中发挥辅助作用至关重要。而这一技术也为满足人类在农业、医疗及材料科学等领域的需求奠定了坚实的基础。”

随着人工智能技术的不断发展，其已经开始在化学合成领域发挥强大的作用。我们也希望，未来的人工智能可以在更加多样的科研领域内，实现越来越多的突破。

文章链接：

Marwin H. S. Segler, Mike Preuss & Mark P. Waller, "Planning chemical syntheses with deep neural networks and symbolic AI," Nature volume 555, pages: 604–610 (2018), doi:10.1038/nature25978

（本文来源：上大发布微信公众号；）

如若转载，请注明e科网。

如果你有好文章想发表or科研成果想展示推广，可以联系我们或免费注册拥有自己的主页