Janus kinase酶(JAK)酶抑制剂在治疗免疫和炎症疾病如类风湿关节炎、炎症性肠病、银屑病和移植排斥等方面被广泛使用。几种JAK抑制剂(如Tofacitinib和Ruxolitinib)已经被美国食品和药物管理局(FDA)批准，其他一些正在开发中。ASP3627(1)是一种三环类双吡啶衍生物，由Astellas制药公司发现，是一种高效的JAK抑制剂，具有良好的口服生物利用度，是治疗心脏移植急性和慢性排斥反应的一种候选药物。   目前ASP3627(1)已经实现了大规模合成，路线如图(DOI: 10.1021/acs.oprd.9b00269)。 从起始底物2经保护后取代反应得到中间体5，然后还原氰基得到4-氨基3-醛基取代吡啶化合物6，接着Wittig反应将醛基转化成烯烃，最后进行关键步骤成环，实现稠环结构的构建。 从合成角度出发，环的构建是有机合成中比较常见的一种合成策略，尤其当难以得到带有这些环状骨架的原料。具体对环的构建时也存在诸多合成方式，每种方式所对应的需求也有所不同。小量的合成时，我们可能更多考虑的是步骤短，以便快速拿到目标化合物；需要大规模的合成时，不仅仅考虑步骤短，还要考虑到稳定性、安全性、成本等因素。所以化学家们在看到这个已知分子的时候，也希望看到一些其它不同的合成路线，以便适应他们的合成需求，尤其是对于一些药化合成化学家来说，这一点非常重要。 ChemAIRS是一款AI大数据合成路线设计辅助系统，面向具有有机合成需求的所有用户。通过整合文献、原料库存采购和电子实验记录数据，通过AI算法+大数据实现有机分子合成路线设计，帮助企业实现数字信息化转型，加快药物研发效率。我们将这个分子在ChemAIRS系统运行，AI在11分钟内给出15条预测路线（包含了文献的报道的整条路线），其中由于算法的系统性阈值设置，部分预测路线彼此之间存在局部重复。从预测路线中筛选出了最可行性三条用于ASP3627(1)合成（必要时需要对算法给出路线进行一些调整）。 策略一 策略一（如下图）：廉价易得的原料4-氯-7-氮杂吲哚经过取代、氧化和还原胺化得到中间体R1-6，然后分子内环化得到R1-7，接着氧化芳构化得到稠环骨架结构。相比原始路线，该路线长短相当，每一步的可行性好，且起始原料相比原始路线比较廉价，因此该路线具有非常强的合成应用价值。 策略二 策略二（如下图）：易得的原料4-氯-5-碘-7-氮杂吲哚经保护、取代和Heck偶联得到中间体R2-5，随后的成环和原始路线采取同样的策略。相比起始路线，该路线区别在于在使用了Heck偶联反应引入烯烃，整条路线的长度比原路线短了两步，且每步均有较强可行性，因此路线也可以作为后续路线优化的一个参考方向，特别是对于想快速获得目标化合物的化学家来说，这条路线是一个不错的选择。 策略三 策略三（如下图）：该策略是先由简单易得的原料4-硝基-7-氮杂吲哚构出发，用Bartoli同理反应构建母核稠环骨架，得到中间体R3-2，再通过后续向环上引入各类片段的方法得到目标化合物ASP3627(1)。相比之下，该条路线成环反应与前面三条路线的各不相同，且每一步的可行性较强，所以可以作为ASP3627(1)的一个合成路线参考。 通过上面的例子可以看出，ChemAIRS可以在短时间内对于一个分子给出多条路线，合成化学家可以从中挑选一些可行性比较好的路线，大大节约路线设计和文献检索时间，也会弥补一些人的经验不足的缺点。随着AI智能和大数据的日益发展，相信化学家将能够在这种工具的帮助下能够更高效、更轻松的设计出更好、更经济环保的合成路线。   智化科技现已开启AI路线升级ChemAIRS免费试用，扫描下方二维码注册。（ChemAIRS路线搜索只能在PC端完成，欢迎免费登录https://www.chemicalai.cn/publicity/试用）。

新药研发面临着成本高，时间长，成功率低的巨大痛点。随着人工智能（AI）的发展，为新药研发带来了新的技术手段。 化学合成在临床前药物研发中是一个非常重要的步骤。如果能够提高合成分子的速度，将加速新药研发。AI 可以帮助化学家进行合成路线的设计和优化，极大地减少设计需要的时间，提高路线成功率。 武汉智化科技有限公司（「智化科技」）专注于 AI 辅助化学合成路线设计，其独立研发的算法基于数据学习和化学知识进行分解，解决了可解释性、化学反应数据量两大问题。 智化科技推出的国产「计算机辅助合成规划平台」—— ChemAIRS，只需数秒至几分钟就可找到合成路线，为科研人员推荐最合适的合成方案。 智化科技创始人夏宁有着 IT 与化学双重学术背景，带领团队在化学信息学领域深耕十余年，有着丰富的研发经验，并积累了大量化学化工的专业数据，是国内从事  AI 赋能化学合成领域的先行者。 机器之心·ScienceAI 对智化科技创始人、董事长兼 CEO 夏宁进行了独家专访。CNRS有机化学博士，化学/计算机双背景。博士毕业后在法国参与创建了 eNovalys 公司，任 CTO，负责化学信息学的研发产品设计，自主研发了多项核心技术。2015 年回国加入上海网化化工科技，任化学信息总监。2018 年创立武汉智化科技并兼任 CEO。在化学信息学领域深耕多年，掌握多项核心技术。   夏宁，智化科技创始人、董事长兼 CEO        01 化学/AI双背景，10 年坚持做一件事  ScienceAI: 您早期的个人求学以及职业经历能给我们分享一下吗？ 夏宁：2003 年，我从同济大学毕业之后，当时有一个去法国留学的机会，也可以说第一批到法国的高等工程师学校去学习化学的人，在我们学校我是第一个中国人。 我母亲是程序员，我早年就比较喜欢编程，在高中的时候，化学竞赛获得了河北省第一名，所以后来选了化学专业，但我在求学的过程中，一直想把我的这两个技能都能够用在我未来的工作中，所以我在法国读到有机化学博士之后找的第一份工作，就在网上找这种既能够用到计算机，又同时能用到化学专业的工作，但没有找到这样的工作。 后来我联系上了法国斯特拉斯堡的一家刚成立的公司-eNovalys 的创始人，入职时我是一号员工。那个时候我们就开始用计算机来解决化学中研发效率的问题。 所以，从那时一直到现在，其实我们做的都是这一件事情——用计算机帮助提升化学研发效率。 ScienceAI: 您是因何创立智化科技的？您的创业成功经验能给我们分享一下吗？ 夏宁：其实在这个领域，我们做了将近 10 年，但它真正迎来一个快速发展，是大概在 2018 年的时候，那时深度学习刚刚变得很火热，特别是当时 AlphaGo 打败了李世石，让人们看到人工智能在一些领域的潜力。 我们在这个领域已经做了很多年了，突然间发现大家都开始关注这个领域。早在2016 年，我们就做了一个网上的逆合成工具，给很多用户来用。但直到 2018 年我们才决定从上海网化化工科技独立出来，创立新的公司——智化科技。之后我们开始专注于逆合成产品的研发。 ScienceAI: 您对国内创业情况的判断是怎样的？ 夏宁：从创业的角度，我觉得国内的创业环境一直是非常不错的，从大概 2015 年之后，我们国家就成为全世界创业最火热的国家之一。 我很有幸正好回国之后赶上了这波浪潮，所以能够在创业初期就进展比较顺利，从融资和业务上都比较顺利。 一直到今天，我还是觉得中国是创业最好的地方。 02 交叉型人才紧缺，助力培养「化学+AI」跨界人才 ScienceAI: 基于目前大多数人才相对偏向于单学科人才，对于「化学+AI」 跨学科研究，公司在这方面是怎么协调的？不同类型的人才如何在新药研发过程中发挥优势和潜能？ 夏宁：对，这个确实是当前我们做交叉领域创新的一个最大的痛点。你可以找到一个很厉害的化学家，你也可以找到一个很厉害的做算法做 AI 的人，但是你基本上找不到两个专业都很厉害的人，甚至不是说稀少，几乎是没有，因为很少有人能够在两个领域都做到非常的专精。 对我们来说，有几方面的努力。一方面我们也会自己去培养人才。在我们的内部找一些有潜质的，特别是他已经有一个专业，同时又对另一个专业愿意去学习的人，我们就给他更多的机会去培养去成长。 同时，我们也和高校，比如我们和华中科技大学有一些合作项目，从本科开始让这些化学系的学生能够去学一些编程知识，甚至是学一些 AI，自动化等知识。他们在未来，比如 5、6 年后，他们能够成为这个领域的一些核心人才。 当然，我们也在全球范围内在去找这样的人，这样的人他确实非常的少，但还是有那么一些。 但确实对于所有当前在我们这个交叉领域创业的大部分公司来讲，大家都面临这个问题，因为就那么几个人，但是要做的事情太多。 ScienceAI: 对于您刚提到的华中科技大学和智化科技联合创办「人工智能化学试验班」，这些人才是否作为公司的储备人才？这对现阶段的人才培养体系有什么启发？ 夏宁：其实我们的初衷不是说让他们就一定要来我们公司，因为他们现在还是本科，等到他们博士毕业之后可能已经过了四五年，再加上他们未来还可能继续去深造去学习，最后也可能去别的公司。 但我觉得这对整个行业是有好处的，因为一个行业要想做得好，你必须有一个长期的人才培训机制直到能够满足我们的行业的需求，所以这本身就是个周期很长的事情。 我觉得国外可能在这方面做的也不错，可能甚至比我们做的更好一点，因为我们发现这方面最牛的一些人很多都是来自国外像  MIT、剑桥、瑞士联邦理工等，有一些国外的名校，他们确实善于培养这类复合型人才。 我们国内的大学早期确实是没有这样的一个专业，但是现在大家逐渐都有这个意识，我们与华科的合作，我觉得只是一个开始，已经有越来越多的大学开展了交叉学科的建设。 03 从零开始，不断升级 ScienceAI: 贵公司推出的「计算机辅助合成规划平台」—— ChemAIRS，与其它合成路线规划工具相比，有什么优势呢？还有哪些不足需要改进吗？ 夏宁：我们平台最大的一个优势是，我们的技术完全是从 0 开始做的，就是说我们所做的在全球来说是最早的一批，大概当时算我们在内可能也就三家公司，到现在有了很多新跟进的公司，但是相比来说，我们的底层技术完全是自己从零开始搭建的，这就形成了我们一个独特的技术壁垒，就是说别人其实很难去复制我们所做的，因为很简单，我们已经做了接近超过 10 年的时间，中间研究了大量的底层技术，别人如果想一步跨过这些来追我们，几乎是不可能的。 当然，现在也有很多新的技术，这些技术可能能够在某个层面上解决问题，比如说我们看到的一些竞争对手，他也用了很多的机器学习技术，包括一些新的 AI 算法，但他们的问题就在于，对化学的理解可能没有那么深。我认为一个不懂化学，或者说化学方面没有那么专精的人，他想把这个事情做好是有相当大的一个难度，这个可能就是我们最大的优势，就是我们既懂化学又懂算法。 ScienceAI: AI 自动化合成平台有其它功能正在开发，或升级吗，方便透漏一下吗？  夏宁：我们的平台今年做了一个比较大的升级，我们已经对公众开放三个月的试用，让所有的化学家都可以来我们网上免费去尝试这个平台。 我们认为这次大的升级，能够让它在整体水平上或者说路线设计能力上提高了一大步，非常接近十年合成工作经验的化学家水平。 我们的下一步就是把它的水平再次不断提高，我们希望有一天能够真正和最厉害的化学家达到同一个水平。 04 多方位部署，走向数字化自动化智能化 ScienceAI: 在药物领域，小分子、大分子、基因治疗药物等都很火热。那么，贵公司的自动化合成路线规划平台主要侧重哪个方面呢？ 夏宁：其实我们主要侧重的还是小分子的合成。因为大分子很多是用生物的方法在合成，相对来说，小分子的合成方法比较传统，就是用化学反应来合成。 因为我们人类改造微观世界的手段其实并不是特别多，化学就是其中最重要的一种，它其实也不单单是只覆盖了药物小分子，我们说所有的包括新材料，化工或者一些科技领域，都会用到一些特殊的材料分子，功能分子，那么这些分子从原料进行一步步合成，用到的都是一些化学的方法，特别是在小分子的研发阶段，化学反应是最主要的一个手段。 ScienceAI: 新药研发是一个长期且艰难的过程，那么贵公司除了目前公开的「AI 辅助合成路线设计平台」外，还有其它产品/业务部署吗？ 夏宁：我们主要还是聚焦在化学合成这个领域，我们也做了很多的模块，除了逆合成模块，也有正向合成模块以及合成性打分模块，它们能够在药物分子设计阶段帮助更有效地去选择那些比较容易得到的分子，从而提高整个药物研发的速度。 同时，我们还做了化学工艺路线设计，它能够帮助我们在药物分子或者其他的分子进入到生产阶段时，找到最经济、绿色、环保的生产方法。这是我们主要集中的几个点，但是它最底层的技术仍然是逆合成技术。 当然，整个新药研发链条很长，一定有其它的一些领域是我们不擅长做的。我们愿意通过合作的方式，因为有很多企业，他们其实都有自己的长项。在这个链条上没有人能够把所有的事情都做得很好，所以大家是一个合作共赢互补的工作方式。 05 打破瓶颈，机遇与挑战并存 ScienceAI:与传统方式相比，在研发周期及时间成本上，智化科技推出的 AI 自动化合成平台怎样提供更好的服务呢？ 夏宁：化学是一个非常传统的学科，几乎在近 100 年内，它的效率提升都非常有限，原因就在于，一直是人作为工作的主体。 换句话说，它不管是从路线设计，依靠人的经验，从做实验的操作，依靠的人的手工业操作，所以它整体的效率很低。人们也在不断地尝试去优化效率，但是总体的一个思路，都集中在一些先进的仪器和分析仪器等，我们是希望能够从更本质的角度去提高效率，就是把人的因素尽量减少。 那么人在设计路线的过程中，他可能要做很多的查阅，很多的思考，这个过程能不能够用算法来代替，或者他在实验操作过程中做了很多重复性劳动，很多很费时费力，但其实又不那么需要高级科学家来做的事情，是不是我们也能用一些自动化设备来代替？ 当然我说的代替其实不是说把人完全去掉，而是一个辅助人的过程，也就是人提效的过程。 大家很容易理解，就是我们要做的事情不是说把人完全替代掉，而是让这一个人有可能将效率提升 2 倍 3 倍甚至到 5 倍，这样他的产出就更高，只有产出更高了，我们才不受人力资源瓶颈的限制，因为现在整个制药的一个很大的问题就是我们的人不够，我们要合成这么多分子，但是一个化学家一个月可能只能做四五个分子。 所以我认为只有通量能够提高，才能够真正打开新药研发的最大瓶颈，从而能够让更多的新药被做出，或者说很多疾病能够被攻克，我觉得这是一个必经之路，我们现在就在做探索。 ScienceAI: 去年 8 月智化科技完成近 1500 万美元 A+ 轮融资。您认为智化科技最吸引投资者的点是？   夏宁：我认为我们代表了整个化学行业的一个发展方向，即数字化自动化和智能化。 因为这个方向其实在其他很多行业都已经做了，但是化学行业一直没有发生太大的改变。 这个可能有很多原因，一个是做化学的人可能会偏保守一点，可能做这件事会有一些难度，还可能我们在这种交叉行业中人才确实储备不够。 存在这样一些困难，但是我们公司其实是最早也是最全力的在向这个方向去努力的，所以说在从投资人的检验中，我们应该是成功率最高的，我认为这个是我们获得投资的一个关键点。 ScienceAI: 现在传统的大药企与 AI 公司合作火热，这给我们带来的机遇和挑战都有哪些？ 夏宁：就机遇而言，在当前大环境下，药企其实也都间接或直接的体会到了合成的一个瓶颈，遇到效率低的问题，那么这时候他们也会去寻找一些新的解决方案，特别是 AI  的浪潮，也会让大药企更容易去接受一些新的方案。 如果我们早 5 年 10 年去找他们，他们可能根本就不愿意去看这种新的东西，因为他们老的方案还 work，但最近几年老的方案已经越来越难的时候，他们真的是愿意去尝试，这对我们是好的。 说到挑战，就是这个行业，它的验证是需要一定时间的，或者说它的产品的成熟也是需要一个周期的，很多时候，可能大药企与一个 AI 公司合作，但他发现你的解决方案还不能完全明显的解决他的问题。这时对 AI公司来讲要求就非常高，你必须要不断的去找到新的 milestone，然后把你的整个的工作向前推进的同时，还要不断的证明给客户看到你的进展。否则就像你只是讲了一个故事而已，这样你的合作到最后是得不到任何的认可的。 所以，我觉得一个新的技术，虽然它的发展很漫长，中间有很多困难，但你必须要一个确定的速度和一个不断能够被验证的结果去给到这些市场，给到这个客户，我认为这个是最大的一个挑战。 ScienceAI: 在与药企合作的过程中，有遇到什么困难吗？怎么解决的？ 夏宁：早期的时候，我们是一个初创公司，初创公司对于药企来讲，药企是一个巨头，可能是一个跨国企业，而你只是一个才几十个人的一个小公司。所以就这点而言，其实大企业肯定不是优先和初创公司合作，那么我们的优势是，我们能够展现出很快的应答能力，以及我们的这种技术能力水平确实超过了其他的一些比我们大很多倍的竞争对手。所以这个其实是我们克服的第一个困难，就是真正得到了这些大药企对我们初创公司的认可。 同时，我们本身的技术也在不断的迭代成长中，这个也是一个挑战，你要有一个非常快的速度在迭代，不能说等待，所以说你必须很快的去想，很快的去研发，把一些关键的点快速地解决掉，这都是一些挑战。 还有一点，就是大药企对于你的合规性，整个服务指南要求也非常高，有点像一个初创公司要被拔苗助长，没有那么多时间给你去成长，你必须立刻达到它的标准。这些确实都是我们整个公司的同事都付出了很大的努力才达到。 06 化学成为一个纯计算学科，未来要解决的事太多了 ScienceAI: 对于 AI「塑造化学未来」，您能畅想一下这是一个怎样的未来吗？ 夏宁：其实在我上中学的时候就有这个想法，因为我是一个从小喜欢编程和数学的人，我一直觉得化学学科和物理、数学是相割裂的，数学和物理学科是可以通过计算来解决各种问题。但化学有点像一个不确定的东西，就是你做这个实验的时候，你完全不知道结果或者是它缺少了一个确定性，这点让我一个做编程的人就很不舒服。 我认为化学的未来，一定是通过我们不断积累大量的数据，以及写出更好的算法来向确定性去靠近，最后能够让化学变成一个能够计算的学科，不需要太多的这种所谓的猜测，或者是一些人工主观判断。因为只有这样，在我看来才是一个真正的科学以及它的终极形态，效率也是最高的。同时结合自动化的设备，让新分子的产生就像流水线生产杯子一样，而化学家可能成为坐在电脑前的一个类似 IT 行业的高效工作模式。 ScienceAI: 畅想未来，你认为未来 5~10 年行业的发展趋势是什么？公司的近几年发展目标是怎样的？  夏宁：我觉得未来的 5~10 年内，数字化、自动化和智能化会不断的在整个化学合成领域进行渗透，它占的比重会越来越大，可能在 10 年左右，我觉得可能百分之七八十的工作已经都是用机器来做的，人真正做的工作可能不到现在的 1/3，相对来说我比较确定这一点会发生。 我们公司发展目标也是根据这个趋势来的。我们一个短期的目标，就是我们要建立起我们的数字化实验室，比如上海已铼生物科技就是我们的一个数字化实验室，我们会完全按照一套新的流程工作方法，把之前人工操作为主的实验室，向这种数字化和自动化的实验室去转变。 我们的中期目标，是我们会让这种实验室的效率不断的提升，从全方位角度进行提升，那么最终有一天它会突破人力的瓶颈，它经过这些算法自动化的加持之后，它整体的效率会高于一个普通人或者一个正常的传统的实验室。 最终来讲，我们最大的一个目标，还是通过不断积累更多的数据，真正能够把我们之前做不到的一些事情，比如说我们无法合成的一些困难的分子，或者说我们做实验总是会有失败的反应，我们是不是能够把它规避掉？我觉得最终还是真正的通过数据来解决了很多的化学合成问题，以及让我们的效率再次能够达到一个非常大的提升。 ScienceAI: 在新药研发、材料、科技等领域，还有哪些极具潜力的技术值得去探索？ 夏宁：这个是一个非常大的领域。就是说我们现在做的事情，它只是一个最基础、底层的事，或者说是迈出了第一步，但是我们未来可以做的事情非常多，因为只要你迈了第一步，你会发现豁然开朗，每一个领域都有无数的这种问题，可以通过AI、数据、计算去解决。 所以我觉得未来要解决的事太多了，我们会找到最重要或者说最关键的事情去深入去做。同时，我觉得比如说 10 年之后，化学+AI 领域会变得非常的庞大，它会不仅仅是在合成，它会在比如材料、生物和一些科技领域都会成为最底层的一个技术。

目前，AI在新药研发的多个细分领域已经有了非常广泛的 应用，如靶点筛选，分子设计，活性预测等。早在50年前，在药物分子的合成领域，诺贝尔奖得主E.J.Corey就开始尝试用计算机技术辅助进行逆合成路线设计，但受限于当时的软硬件条件，并没有取得广泛的应用。 近年来，多个AI辅助逆合成产品被研发出来，并逐渐被应用于制药领域。但迄今为止，尚未有公开的测试报道将AI的路线设计能力与有经验的人类化学家进行对比分析。 近期，智化科技研发的ChemAIRS逆合成系统与上海已铼生物科技的化学家进行了一场人机对比测评，从合成难度、合成思路、合成步骤数、路线合理性等角度对结果进行综合评定，对ChemAIRS合成路线设计与人工合成设计的案例进行全面分析。 人机测评展示 这次测评选取22个有机分子（不含手性），分子合成难度接近药物化学家实际工作中遇到的分子复杂度，路线合成总步数从8步到14步不等。由16名平均具备10年合成经验的化学家来完成人工的路线设计，且设计过程可借助其他查询工具以及参考资料。 与此同时，ChemAIRS也对这22个分子进行批量路线设计，并从每个分子的路线结果中选出2条路线作测评打分。打分规则参考了合成思路合理性，合成步骤数，路线反应可行性等指标，打分时对化学家设计的路线和机器路线进行混淆，以保证评分的公平性。 合成路线设计速度对比 基于设计合成路线的速度评定结果，化学家设计合成路线所花费时间都在2小时以内，平均时间为1.5小时左右，AI计算路线平均总时间为8.7分钟，第一条路线找到的时间平均为2分钟，AI会给出多条路线，并能够按照合成路线难易和总步数排序。从路线设计速度上AI算法接近化学家的10倍。 合成路线的可行性打分对比 由6名资深化学家评委对22个分子的化学家/AI合成路线进行评分。可行的路线应该在6分以上，最高10分。化学家得分和AI得分的对比显示，在10个例子中，AI路线的分数与化学家的分数比较接近(差距在0.5分以内)。在7个例子中，化学家平均分数较高，在5个例子中AI设计的路线平均分数较高。整体在68%的例子中，AI与化学家相比做到了持平或更好。 合成路线的多样性对比 测试团队也统计了AI路线的不同合成策略数量，设计不同策略的合成路线对化学家来说难度较大。但在实际工作中，经常会出现由于某关键步骤的失败而需要改变合成策略的情况。在本次测评中，AI在数分钟内给到了5-20条不等的路线。可以从下图看到，在这些路线中，每个分子平均能有2-6种不同的合成策略，包含不同的关键步骤和关键中间体，帮助化学家快速找到成功率更高的方法和最经济易得的起始物料。 测试团队从22个测试分子选取了3个分子作为展示，验证AI算法合成路线可行性与化学家相近甚至更优。以TM1为例，在构建咪唑环的反应中，化学家在第六步用原甲酸三乙酯先构建咪唑环，进而对咪唑环先后碘化和偶联反应。在AI合成路线中，则是在第五步中使用芳香醛与二氨基底物直接一步实现芳基取代的咪唑环的构建，AI路线的合成步骤更加的简短高效。 在TM2的合成中，两条路线均有咪唑环构建的关键步骤。在化学家的路线中，第二步和第三步先后实现咪唑环构建和后续的溴代，相比之下， AI合成路线则在第二步就采用了更加简短高效的方法一步实现了碘取代的咪唑环的构建。除此之外，两条路线在整体上除了合成关键中间体的次序有差异外，可行性和策略都较为一致。 TM3中，有一个七元氧环需要构建，化学家先通过傅克反应并在后续的官能团转化得到七元氧环，但是第二步的傅克反应可能会存在位点选择性问题，这样势必会对后续的分离和鉴定造成影响；而在AI合成路线中，则是在第四步完成双醇化合物的合成，并在第五步通过Mitsunobo反应完成七元氧环的构建，并且不存在选择性问题，且其他合成步骤也不存在可行性问题。AI路线评分优于人工合成路线。 人机测评结论 从对路线设计速度，可行性和多样性测评结果可以看出，当前ChemAIRS的路线设计能力非常接近于10年合成经验的化学家，而设计速度和策略多样性方面则超过了有经验的化学家，且将路线设计的速度提升10倍左右，在68%的情况下能够更快的设计出类似或者更好的路线，并使23%的路线质量得到提升。同时算法还能够给出化学家2-6种不同的合成策略做参考，为找到更好，更经济的路线提供设计思路，解决困难目标分子的合成问题。 以ChemAIRS为代表的逆合成系统并不能替代化学家，特别是针对某些比较新颖的结构，AI还不能代替化学家去进行创新性的思考。但作为化学家设计路线的重要工具，可实现增强人类智能的目的，就像汽车让人更快一样。相信化学家将能够在这类工具的帮助下能够更高效，更轻松的设计出更好，更经济环保的合成路线。 注：由于本次内部测评的分子数量有限，结果并不具备统计意义，期待未来能够针对此领域进行更深入全面的测试研究。 点击阅读原文或识别二维码可参与测试ChemAIRS逆合成系统（活动时间：2022/5/1-2022/7/31），强烈建议使用链接（https://www.chemical.ai/publicity/）登录电脑端参与测试。