SynCraft：引导大语言模型预测分子可综合性优化的编辑序列
人工智能
2025-12-24 v1 定量方法
摘要
生成式人工智能已彻底革新了化学空间的探索，但仍存在一个关键瓶颈：大量生成的分子无法实现可综合性。当前解决方案，如后处理过滤或基于投影的方法，往往会妥协结构新颖性或破坏关键药效构型。本文引入 SynCraft，一种基于推理的框架，将可综合性优化重新定义为精确的结构编辑问题。利用大语言模型的涌现推理能力，SynCraft 在“synthesis cliff”处进行导航，使得最小的结构修改可显著提高合成可行性。通过预测可执行的原子级编辑序列而非直接生成 SMILES 字符串，SynCraft 规避了大语言模型的语法脆弱性，同时发挥其化学直觉。广泛的基准测试表明，SynCraft 在生成结构忠实且可综合的类似物方面超越了最先进的基线方法。此外，通过交互感知的提示，SynCraft 成功复制了专家药物化学家在编辑 PLK1 抑制剂和拯救先前被舍弃的高分 RIPK1 候选者方面的专业直觉。
引用
@article{arxiv.2512.20333,
title = {SynCraft: Guiding Large Language Models to Predict Edit Sequences for Molecular Synthesizability Optimization},
author = {Junren Li and Luhua Lai},
journal= {arXiv preprint arXiv:2512.20333},
year = {2025}
}
备注
28 pages, 4 figures, 1 table