有机合成步骤生成的科学推理模型
机器学习
2025-12-16 v1
摘要
解决计算机辅助合成规划对于实现完全自动化、机器人辅助的合成工作流程以及提高药物发现效率至关重要。然而，一个关键挑战是弥合计算路线设计与实际实验室执行之间的差距，特别是准确预测每个合成步骤的可行实验方案。在这项工作中，我们提出了 QFANG，一个科学推理语言模型，能够直接从反应方程式生成精确、结构化的实验方案，并具有显式的思维链推理。为了开发 QFANG，我们整理了一个高质量数据集，包含 905,990 个化学反应及其结构化动作序列，这些数据是从专利文献中提取并经大语言模型处理得到的。我们引入了一种化学引导推理（CGR）框架，能够大规模生成基于化学知识的思维链数据。随后，该模型经过监督微调以激发复杂的化学推理。最后，我们应用可验证奖励的强化学习（RLVR）来进一步提升方案准确性。实验结果表明，QFANG 在传统 NLP 相似度指标和化学感知评估器（使用 LLM-as-a-judge）衡量下，优于先进通用推理模型和最近邻检索基线。此外，QFANG 能够泛化到某些域外反应类别，并适应实验室条件和用户特定约束的变化。我们认为，QFANG 生成高质量合成方案的能力代表了弥合计算合成规划与全自动实验室合成之间差距的重要一步。
引用
@article{arxiv.2512.13668,
title = {A Scientific Reasoning Model for Organic Synthesis Procedure Generation},
author = {Guoqing Liu and Junren Li and Zihan Zhao and Eray Inanc and Krzysztof Maziarz and Jose Garrido Torres and Victor Garcia Satorras and Shoko Ueda and Christopher M. Bishop and Marwin Segler},
journal= {arXiv preprint arXiv:2512.13668},
year = {2025}
}