核心概念

Microsoft Research 發表的 RetroChimera 是一套小分子逆合成（retrosynthesis）預測框架：從目標分子反向拆解，提出可由更簡單前驅物完成的反應步驟與路線。它瞄準的並非「能不能想到新分子」，而是新分子是否能以可行成本真正做出來——這正是藥物、先進材料與永續農業研發常被卡住的交界。

核心做法是把兩種偏好不同的模型組成可學習的集成。Transformer 模型 R-SMILES 2 直接生成前驅物，對資料中可學到的新反應型態較有彈性，但也可能產生化學上不可靠的候選；GNN 模型 NeuralLoc 則以分子與反應模板圖表示來選擇反應與位置，較受既有模板約束，卻有較穩定的可解釋性。RetroChimera 依預測排名學習各模型的投票權重，將兩者相同的候選加總排序，目標是同時保留探索能力與可靠性。

技術亮點：不是平均，而是互補

逆合成的困難在於每一步可斷鍵方式很多；若其中一步錯誤，整條路線即失效。Microsoft 指出兩個子模型在不同化學條件各有強項：R-SMILES 2 較擅長反應前後結構改變較大的情況，NeuralLoc 則較能處理罕見、低優先序或局部改變的反應。集成不假定其中一個模型永遠較好，而是根據其排名位置調整信任程度。

官方報告稱，博士級化學家在盲測中較偏好 RetroChimera 對複雜分子的斷鍵建議；其路線的專家接受率為 90%，相較子模型或基線的 20–50%。這些數字說明模型已能更貼近專業判讀，但仍屬該團隊的特定評估設計，不能直接等同不同分子庫、實驗條件或商業路線的成功率。

實務意義：把「可合成性」接回設計迴路

生成模型能迅速提出大量候選分子，卻常把合成可行性留給人類事後處理。RetroChimera 將路線建議提前接入候選評估，可望縮短「設計 → 合成 → 測試」迴路，讓化學家優先投入較有機會實現的候選。這和 自主高分子材料探索：AI驅動生成設計與閉環工程架構 所述的原則相呼應：生成設計若缺少逆合成與實驗回饋，便難成為工程流程。

它也補上 MatterSim 2026：AI 驅動材料科學的實驗驗證與多任務模型 的另一段能力。MatterSim 側重預測材料性質與篩選；RetroChimera 處理的是「選中的分子要怎麼做」。兩者若再加上自動化實驗與人類化學家審核，才可能形成可信的閉環。相較 GPT-5.4 近自主 AI 化學家：藥物化學 Chan-Lam 偶聯反應突破 將模型用於文獻、假設與實驗矩陣設計，RetroChimera 更專注於反應步驟與路線候選生成；兩條路徑可互補，但都不能跳過濕實驗驗證。

導入判讀

RetroChimera 已釋出 MIT 授權實作與權重，並可透過 Microsoft Foundry 取得。這降低了研究端試用門檻，但部署評估仍應檢查：目標分子是否落在訓練與模板覆蓋範圍、罕見反應的召回是否足夠、每一步建議是否經資深化學家覆核，以及最終路線能否在可取得原料、安全規範與實驗設備限制下重現。AI 可以擴張候選空間，卻不能把「預測」誤當成「已合成成功」。

本文依 Microsoft Research 於 2026-09-21 發布的官方文章及其連結 Nature 論文資訊整理；效能與專家接受率均為作者團隊報告，應以目標化學空間與實驗驗證重新校準。

反向連結

以下頁面引用了本頁：