微软 retroChimera 逆合成模型登 Nature 并开源
微软 Marwin Segler 团队的逆合成规划模型 retroChimera 论文发表于《Nature》，模型代码与权重已同步在 GitHub 开源。化学合成仍是小分子药物发现与制造的关键瓶颈，定制分子虽推动医药、材料与农业进步，但实际合成既慢又昂贵；AI 逆合成规划可提出更优合成路线，并让生成式分子设计变得真正可行。
已确认
- retroChimera 论文由 Microsoft Research 团队（Marwin Segler 等）发表于《Nature》，用于预测小分子合成路线。
- 模型采用多模型集成（ensemble）框架，使 AI 逆合成预测更贴近化学家的判断，并提升了预测稳健性。
- 深度学习模型现在能从少得多的数据中学习化学反应。
- 在制药企业 ELN（电子实验记录本）数据上微调模型是可行的，论文包含大量扩展实验。
- 模型代码和权重已在 GitHub 开源，作者邀请社区在此基础上改进。
为什么重要
- 逆合成规划是药物发现与制造的速率限制环节，可靠的开源 AI 模型可显著加速路线设计并降低成本。
- 小样本学习与 ELN 微调能力，意味着药企可用自有实验数据快速定制模型，实用门槛大幅降低。
2026-09-22 ~ 2026-09-22 · 5 条相关
一手来源
- retroChimera 逆合成模型登 Nature:AI 破解药物合成规划瓶颈 — marwinsegler ·
- 微软团队 Nature 论文：多模型集成让 AI 逆合成更贴近化学家判断 — marwinsegler ·
- 团队开源深度学习模型:少量数据即可学化学反应,微调制药 ELN 数据可行 — marwinsegler ·
- 微软发布 RetroChimera：预测小分子合成路线，登 Nature 加速化学研究 — CatAstro_Piyush · 2026-09-22
- 【源头】retroChimera 逆合成模型登 Nature:AI 破解药物合成规划瓶颈 — marwinsegler · 2026-09-22
- 【源头】微软团队 Nature 论文：多模型集成让 AI 逆合成更贴近化学家判断 — marwinsegler · 2026-09-22
- 【源头】团队开源深度学习模型:少量数据即可学化学反应,微调制药 ELN 数据可行 — marwinsegler · 2026-09-22
- 深度学习已能小样本学习，新集成框架提升药物数据预测稳健性 — marwinsegler · 2026-09-22