德国明斯特大学（University of Münster）研究团队近期透过研究证实，结合 AI 神经网络与蒙地卡罗树搜寻（MCTS）的搜索方式非常适用于化学合成的规划，尤其是逆合成分析（retrosyntheses），更能以前所未见的效率进行。
对于非化工领域的人来说，逆合成分析可能听来有些陌生，但这其实是有机合成中设计化合物生产的标准方法，透过对目标分子结构的分析与拆解、推导出基本的组成成分，进而完成化合物合成路线设计。
尽管这是有机合成路线设计的标准方法，但主要作者 Marwin Segler 表示，逆合成分析其实是有机化学的终极挑战，化学家往往需要数年时间才有办法掌握运用得很好。“这就像下棋，除了直观的专业知识，你还需要很好的直觉与创造力去发挥。”
如果以烹饪来形容，就像从一道完成的菜推敲出材料与做法，然后在实验室中实际从基本成分试着“煮”出相同的目标分子；虽然理论上很简单，但在实践的过程中总是会遇到许多困难，每一步都有许多选择必须进行，而化学问题又比烹饪或下棋还复杂许多。
▲苯乙酸的逆合成分析范例。（Source：Wikimedia/Roland Mattern）
运用电脑来计算合成的想法其实已经非常久远，过去几乎所有人都认为除非专家手工编程成千上万条规则，否则电脑就无法进行计算合成──但过去的实际案例显示，即使有规则协助的电脑也无法做到这些事。
这是因为化学合成过程非常复杂，无法单纯用简单的规则来理解，更别提合成反应的相关出版物数量每十年就增加一倍，无论化学家或是编写程式者，都无法让单纯的电脑跟上脚步。
然而随着深度学习与神经网络的出现，用电脑协助进行逆合成分析不再是空想，Segler 已证明即使只靠从现有资料和应用学习，机器仍可以学会进行分析，而不需人类编程规则的协助。
为了做到这一点，团队先是运用过去发表的所有化学文献（其中约有近 1,200 万种化学反应）对机器进行深度学习训练，然后将 DNN 神经网络与蒙地卡罗树搜寻连结，以类似在棋类游戏评估变体的方式，逆向分析寻找有机化学合成的最佳解。
与传统的人工推导方式相比，这个全新方式的速度大约快了 30 倍，并且找到 2 倍以上的潜在合成途径，在一项双盲测试中，团队发现化学家普遍认为这些电脑找出的合成路线，与现有经过实验和测试的路线一样好。
这项研究已发表在最新一期的《自然》（Nature）期刊。Segler 指出，团队希望借由这个全新的方式，节省去化学家在实验室尝试的时间，“如此一来，化学家能使用更少的资源，制造出协助提高人们生活水准的化合物。”
- Chemical synthesis with artificial intelligence: Researchers develop new computer method
（首图来源：shutterstock）
