连接化学家与人工智能：面向可解释路线评估的专家增强框架
机器学习
2026-05-29 v1
摘要
选择高效的多步骤合成路线是有机合成中的核心挑战，尤其是在医药和工业化学中，路线选择直接影响可行性、成本和开发效率。数据驱动的评估系统往往简化了合成设计的多目标特性，依赖专利路线等代理数据集，而非以普遍依据为基础的标准。为此，我们引入了一个结合机器学习与化学家领域知识的专家增强、数据驱动评分框架，用于数值化和可解释的路线评估。我们采用基于 DeepSets 的模型，通过参考路线与机器生成路线之间的树编辑距离进行训练，然后结合专家评估进行微调，以产生定量评分和可解释的定性类别：Good、Plausible 和 Bad。该系统在类别评估预测中实现了 0.78 的斯佩尔相关系数和 0.77 的皮尔逊相关系数，以及 60.2% 的 Top-1 排序准确率，显著优于之前基准的 17.5%。
引用
@article{arxiv.2605.29108,
title = {Bridging Chemists and AI: An Expert-Augmented Framework for Interpretable Route Evaluation},
author = {Yujia Guo and Mikhail Kabeshov and Tat Hong Duong Le and Samuel Genheden and Marco V. Mijangos and Varvara Voinarvoska and Giulia Bergonzini and Ola Engkvist and Samuel Kaski},
journal= {arXiv preprint arXiv:2605.29108},
year = {2026}
}
备注
13 pages, 11 figures, ELLIS Unconference Workshop: Generative Models, LLMs, and the Future of Molecular AI (ML4Molecules 2025)