IBM RXN for Chemistry：反应与逆合成预测服务

IBM RXN for Chemistry 是把化学反应预测做成在线服务的代表。它的技术特点是用自然语言处理的方法处理化学反应——把 SMILES 当作一种语言，用 Transformer 做「翻译」。

「化学反应即翻译」的思路

# 正向反应预测 = 把「反应物」翻译成「产物」
#   输入: CC(=O)O.OCC
#   输出: CCOC(C)=O
#
# 逆合成 = 把「产物」翻译成「反应物」
#   输入: CCOC(C)=O
#   输出: CC(=O)O.OCC
#
# 用的是与机器翻译相同的 Transformer 架构，
# 只是把词元从单词换成了 SMILES 字符

# 优点：
#   - 不需要人工定义反应模板
#   - 能处理模板库之外的反应
#   - 端到端训练
#
# 缺点：
#   - 可能生成化学上不合法的 SMILES
#   - 不保证原子守恒（需要后处理检验）
#   - 可解释性弱（不知道用了什么反应规则）

使用方式

# 在线平台（有免费额度）
# https://rxn.res.ibm.com

# Python API
pip install rxn4chemistry

from rxn4chemistry import RXN4ChemistryWrapper

rxn = RXN4ChemistryWrapper(api_key="YOUR_API_KEY")
rxn.create_project("my_project")

# 1) 正向反应预测
response = rxn.predict_reaction("BrBr.c1ccc2cc3ccccc3cc2c1")
results = rxn.get_predict_reaction_results(response["prediction_id"])
print(results["response"]["payload"]["attempts"][0]["smiles"])

# 2) 逆合成
response = rxn.predict_automatic_retrosynthesis(
    "Cc1ccc(cc1)S(=O)(=O)Nc1ccc(cc1)C(=O)O",
    max_steps=4,
)
results = rxn.get_predict_automatic_retrosynthesis_results(
    response["prediction_id"])

# 3) 反应流程生成（从路线到实验步骤的自然语言描述）
#    这是它比较独特的功能

独特功能：从路线到实验流程

IBM RXN 有一个其它工具少见的能力：把合成路线转换成自然语言的实验操作步骤，甚至转换成自动化设备可执行的指令。

# 输出示例（概念示意）：
# "Add 4-methylbenzenesulfonyl chloride (1.0 eq) to a solution of
#  4-aminobenzoic acid (1.0 eq) in pyridine at 0 °C.
#  Stir the mixture for 2 h at room temperature.
#  Quench with water and extract with ethyl acetate..."
#
# 价值：
#   1) 降低了从「路线」到「可执行实验」的门槛
#   2) 是自动化合成的必要一环（见 391）
#
# 局限：
#   生成的步骤是「典型条件」，不是针对该底物优化的条件，
#   仍需化学家审核与调整

在线服务 vs 本地部署

维度	在线服务	本地部署（如 AiZynthFinder）
上手成本	极低	需配置
算力	无需自备	需自备
数据保密	结构会上传	数据不出内网
批量处理	受配额限制	无限制
可定制	不能改库存/模板	完全可定制
可复现	模型版本可能变	可锁定版本

数据保密是首要考量：把未公开的候选化合物结构上传到第三方服务，涉及知识产权风险。正式项目的分子不应提交在线服务；在线服务更适合方法评估、教学、以及处理已公开的分子。

无模板方法的验证

# 无模板模型可能生成不合法的输出，必须验证
from rdkit import Chem

def validate_reaction_prediction(reactants_smi, product_smi):
    """检验预测的反应是否合理"""
    checks = {}

    # 1) 产物 SMILES 是否合法
    prod = Chem.MolFromSmiles(product_smi)
    checks["valid_smiles"] = prod is not None
    if not checks["valid_smiles"]:
        return checks

    # 2) 原子守恒检查（排除小分子离去基团后）
    react_mols = [Chem.MolFromSmiles(s) for s in reactants_smi.split(".")]
    react_mols = [m for m in react_mols if m]

    from collections import Counter
    def atom_counts(mols):
        c = Counter()
        for m in mols:
            for a in m.GetAtoms():
                if a.GetSymbol() != "H":
                    c[a.GetSymbol()] += 1
        return c

    r_atoms = atom_counts(react_mols)
    p_atoms = atom_counts([prod])
    # 产物的重原子不应多于反应物
    checks["atom_conservation"] = all(
        p_atoms[el] <= r_atoms.get(el, 0) for el in p_atoms)

    # 3) 化合价合法性（MolFromSmiles 已检查）
    # 4) 是否与某个反应物完全相同（无效预测）
    checks["not_identical"] = Chem.MolToSmiles(prod) not in [
        Chem.MolToSmiles(m) for m in react_mols]

    return checks

务实的定位

• 方法评估与学习：想了解反应预测能做到什么程度，在线服务是最低成本的方式；
• 处理公开分子：文献复现、教学案例；
• 正式项目：应使用本地部署的方案（AiZynthFinder、ASKCOS），保证数据不外流且可定制；
• 实验流程生成：这个功能有独特价值，但生成的条件仍需化学家审核。

延伸资源

• 对照工具：385《AiZynthFinder》、386《ASKCOS》；概念：384《逆合成分析入门》；
• 反应预测：388《反应产物预测》；自动化合成：391《自驱动实验室 Self-Driving Lab》。