LLM-Augmented Chemical Synthesis and Design Decision Programs

逆合成分析是有机化学和药物开发的核心，它通过一系列有效的反应将目标分子分解为更简单的前体。尽管近期的机器学习（ML）研究在单步逆合成建模及后续路径搜索方面取得了进展，但这些方法仍受限于可能路径的庞大组合空间。与此同时，大型语言模型（LLMs）展现出卓越的化学知识，表明它们有能力解决化学中的复杂决策问题。在这项工作中，我们探讨了 LLMs 是否能够成功应对高度受限的多步逆合成规划问题。我们提出了一种高效的反应路径编码方案，并介绍了一种新的路线级搜索策略，突破了传统的逐步反应物预测方法。通过全面评估，我们证明了我们的 LLM 辅助方法在逆合成规划中表现出色，并且可以自然地扩展到可合成分子设计的更大挑战中。

该论文试图解决多步 retrosynthesis（逆合成分析）规划问题，这是一个在有机化学和药物开发中至关重要的任务。具体来说，它关注如何通过有效的反应路径设计来克服传统方法在组合空间中的限制。这并不是一个全新的问题，但现有方法在多步路径规划上仍存在不足。

论文的关键思路是利用大型语言模型（LLMs）的化学知识和推理能力，结合一种新的路线级搜索策略，直接从全局视角进行多步反应路径规划，而不仅仅是逐步预测反应物。这种方法突破了传统单步模型的局限性，并通过高效的反应路径编码方案提升了计算效率和准确性。

1. 提出了一个基于 LLM 的新框架，能够高效处理复杂的多步反应路径规划。 2. 设计了一种新颖的反应路径编码方式，优化了搜索效率。 3. 实验表明，该方法在多个基准数据集上显著优于现有的机器学习模型。 4. 研究扩展到可合成分子设计领域，展示了更广泛的应用潜力。 5. 论文未明确提到代码开源情况，但其提出的框架为未来研究提供了丰富的方向，例如改进搜索算法或结合实验验证。

最近的相关研究包括： 1. 「Retrosynthetic Reaction Prediction Using Deep Learning」，探讨了基于深度学习的单步逆合成预测。 2. 「Neural-Symbolic Collaborative Reasoning for Retrosynthesis」，提出了神经-符号协作推理以增强路径规划能力。 3. 「Molecular Transformer: A Model for Uncertainty-Calibrated Chemical Reaction Prediction」，引入了 Molecular Transformer 来提高反应预测的准确性。 4. 「Graph-based Models for De Novo Molecular Design and Synthesis Planning」，研究了图神经网络在分子设计和合成规划中的应用。 这些工作主要集中在单步预测或特定任务优化，而本论文则进一步探索了多步路径的整体规划。