人工智能（AI）已经改变了精准有机合成领域。包括机器学习和深度学习在内的数据驱动方法在预测反应性能和合成规划方面展现出了巨大潜力。

       然而，数值回归驱动的反应性能预测与序列生成驱动的合成规划之间存在内在方法论分歧，这对构建统一的深度学习架构构成重大挑战。

       上海科学智能研究院/复旦大学人工智能创新与产业研究院漆远教授、上海科学智能研究院曹风雷研究员、徐丽成研究员等在 Nature 子刊 Nature Machine Intelligence 上发表了题为：A unified pre-trained deep learning framework for cross-task reaction performance prediction and synthesis planning 的研究论文。

       该研究听过整合图神经网络（GNN）与 Transformer 模型，开发了一个用于跨任务的反应性能预测和合成规划的统一预训练深度学习框架--RXNGraphormer，为化学反应预测与合成设计提供了一个通用工具。

       在这项最新研究中，研究团队提出 RXNGraphormer 框架，该框架通过统一预训练方法协同处理反应性能预测与合成规划任务。

       通过将面向分子内模式识别的图神经网络（GNN）与面向分子间相互作用建模的 Transformer 模型相融合，并采用精心设计的策略对 1300 万个化学反应进行训练，RXNGraphormer 在反应活性/选择性预测、正/逆向合成规划领域的八个基准数据集，以及反应活性/选择性预测的三个外源现实数据集上均实现了最先进性能（SOTA）。值得注意的是，该模型生成的化学特征嵌入能够无监督地按反应类型自发聚类。

       RXNGraphormer 架构概述

       总的来说，这项研究弥合了化学人工智能领域性能预测与合成规划任务间的关键鸿沟，为精准反应预测与合成设计提供了一个统一的多功能工具。

       论文链接：

       https://www.nature.com/articles/s42256-025-01098-4