Iktos Spaya：逆合成规划平台如何辅助合成

Spaya 是 Iktos 的逆合成规划平台：输入一个目标分子，输出可能的合成路线。它解决的是 AI 分子设计的「最后一公里」问题——设计出来的分子必须能被合成，否则没有任何价值。

逆合成 AI 怎么工作

• 单步逆合成模型：给定目标分子，预测可能的前体与反应类型。通常用基于模板（从反应数据库提取的规则）或无模板（序列到序列 / 图到图）的方法。
• 路线搜索：递归应用单步模型，用蒙特卡洛树搜索（MCTS）或 A* 等算法探索路线树，直到所有叶节点都是可购买的起始原料。
• 路线打分：按步数、预估产率、原料成本与可得性、反应可靠性排序。
• 可得性判断：需要一个采购化合物数据库来判断什么算「起点」，这是路线搜索的终止条件。

怎么评估一条路线

维度	关注点
步数	线性步数越少越好；汇聚式路线优于线性路线
起始原料	是否现货可得？价格如何？（见 232《Mcule》、233《eMolecules》）
反应可靠性	是否为成熟的常规反应？有无文献先例？
官能团兼容性	分子中其他官能团是否会干扰？需不需要保护基？
立体化学	手性中心怎么构建？需要拆分还是不对称合成？
放大可行性	是否涉及危险试剂、极端条件、难以放大的操作？

汇聚式（convergent）路线是关键概念：把分子拆成两个大片段分别合成再连接，比线性地一步步加长要好得多——线性路线的总产率是各步产率的连乘，步数一多总产率就极低。

开源替代方案

# AiZynthFinder（阿斯利康开源，见 385）
pip install aizynthfinder
download_public_data .        # 下载公开的模板与库存数据

aizynthcli --config config.yml --smiles "目标分子 SMILES"

from aizynthfinder.aizynthfinder import AiZynthFinder

finder = AiZynthFinder(configfile="config.yml")
finder.stock.select("zinc")
finder.expansion_policy.select("uspto")
finder.filter_policy.select("uspto")

finder.target_smiles = "Cc1ccc(cc1)S(=O)(=O)Nc1ccc(cc1)C(=O)O"
finder.tree_search()
finder.build_routes()

stats = finder.extract_statistics()
print("是否找到完整路线:", stats["is_solved"])
print("最短路线步数:", stats["number_of_steps"])
for i, route in enumerate(finder.routes[:3]):
    print(f"路线 {i}: 得分 {route['score']:.3f}")

其他选项：ASKCOS（MIT，见 395《共晶 Cocrystal》，功能更全但部署较重）、RXN for Chemistry（IBM，在线免费额度）、Retro* 等学术实现。

逆合成 AI 的能力边界

• 训练数据偏向已发表反应：模型从 USPTO 专利反应等数据学习，失败的反应不会被发表，所以模型对「什么行不通」了解有限。这导致它可能自信地给出实际不可行的路线。
• 不理解真实的反应条件细节：温度、溶剂、催化剂用量、加料顺序等对成败至关重要的细节，模型的把握有限。
• 官能团兼容性判断不足：复杂分子中多个官能团的相互干扰、保护基策略，是模型的弱项。
• 产率预测不可靠：预估产率的参考价值有限。
• 结论：把它当作「给合成化学家提供思路的工具」，而不是「自动生成可执行方案的系统」。最终路线必须由有经验的合成化学家评审。

在 AI 设计流程中的位置

最有价值的用法是把逆合成评估前置到生成阶段：不是先生成一千个分子再挨个查合成路线，而是把「能否找到合理路线」作为生成时的打分项之一。这样产出的分子从一开始就偏向可合成的区域，大幅减少无效设计。

延伸资源

• 配套设计平台：285《Iktos Makya》；开源工具：385《AiZynthFinder》、395《共晶 Cocrystal》；
• 采购平台：232《Mcule》、233《eMolecules》；合成与工艺见对应模块。