反应条件与产率预测：让路线更可行

逆合成给出「用什么反应」，但「具体怎么做」——催化剂、配体、碱、溶剂、温度、时间——才决定反应成败。条件预测试图填补这一环，但它是合成 AI 中最困难的部分之一。

为什么条件预测这么难

困难	说明
条件空间巨大	催化剂 × 配体 × 碱 × 溶剂 × 温度 × 浓度 = 组合爆炸
数据记录不完整	专利与文献常省略细节（加料顺序、浓度、后处理）
只有成功案例	失败的条件不会被记录，模型学不到「什么不行」
条件相互耦合	换溶剂可能要求换碱，不能独立预测
底物特异性强	同一反应类型，不同底物的最优条件可能完全不同
「标准条件」偏倚	文献中大量使用作者习惯的条件，不代表最优

「只有成功案例」是最根本的问题：一篇论文报告「用 Pd(OAc)₂/XPhos/K₂CO₃/甲苯/100℃ 得到 85% 产率」，但不会告诉你作者先试了五种其它条件都失败了。模型因此学到的是「什么条件常被使用」，而非「什么条件最优」。

建模方式

# 通常分解成多个子任务
#
# 1) 催化剂/试剂选择 → 多分类
# 2) 溶剂选择         → 多分类
# 3) 温度             → 回归
# 4) 时间             → 回归
#
# 输入特征：
#   - 反应物与产物的分子表示（指纹/图）
#   - 反应类型（模板或反应指纹）
#   - 官能团存在情况
#
# 挑战：这些子任务相互依赖，独立预测会给出不自洽的组合
#      （如推荐了一个在该溶剂中不溶的碱）

用 ASKCOS 做条件推荐

import requests

r = requests.post("http://localhost/api/v2/context/", json={
    "reactants": "c1ccc(Br)cc1.OB(O)c1ccccc1",
    "products": "c1ccc(-c2ccccc2)cc1",
    "num_results": 10,
})

for i, ctx in enumerate(r.json()["output"], 1):
    print(f"{i}. 温度 {ctx['temperature']:.0f}°C")
    print(f"   溶剂:   {ctx['solvent']}")
    print(f"   试剂:   {ctx['reagent']}")
    print(f"   催化剂: {ctx['catalyst']}")
    print(f"   评分:   {ctx['score']:.3f}")

# 输出的是「统计上常见的条件组合」
# 对熟悉的反应类型（如 Suzuki）通常合理，
# 但不是针对该具体底物优化的条件

产率预测：期望要放低

• 公开数据的产率预测精度普遍不高：在 USPTO 等数据集上，模型的 R² 常常很低，实用价值有限。
• 原因：产率受太多未记录因素影响——原料纯度、搅拌效率、后处理方式、操作者技能、规模；且文献产率本身有报告偏倚（倾向报告最好的一次）。
• 例外情况：在单一反应类型 + 高通量实验（HTE）数据上，产率预测可以做得不错。因为条件被系统性地变化、数据标准化、且包含低产率的失败案例。
• 启示：产率预测要有用，必须基于自己产生的、标准化的、包含失败案例的数据。

更有效的路径：高通量实验 + 主动学习

# 与其依赖公开数据训练通用模型，
# 不如针对具体反应做 HTE + 主动学习优化

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern, WhiteKernel

# 1) 定义条件空间
conditions = {
    "catalyst": ["Pd(OAc)2", "Pd2(dba)3", "PdCl2(dppf)", "XPhos-Pd-G3"],
    "ligand":   ["XPhos", "SPhos", "RuPhos", "BrettPhos", "none"],
    "base":     ["K2CO3", "Cs2CO3", "K3PO4", "KOtBu", "NaOtBu"],
    "solvent":  ["toluene", "dioxane", "THF", "DMF", "tAmOH"],
    "temp":     [60, 80, 100, 120],
}
# 组合数 = 4 × 5 × 5 × 5 × 4 = 2000

# 2) 初始实验：设计一个覆盖性好的小集合（如 24~96 个）
#    用拉丁超立方或 D-最优设计

# 3) 用高斯过程建模，贝叶斯优化选下一批
def select_next_batch(X_tested, y_tested, X_candidates, batch_size=24):
    kernel = Matern(nu=2.5) + WhiteKernel()
    gp = GaussianProcessRegressor(kernel=kernel, normalize_y=True)
    gp.fit(X_tested, y_tested)

    mu, sigma = gp.predict(X_candidates, return_std=True)
    # 期望改进（EI）或上置信界（UCB）
    ucb = mu + 2.0 * sigma
    return np.argsort(ucb)[-batch_size:]

# 4) 迭代 2~4 轮，通常能找到接近最优的条件
#    比全因子筛选（2000 个实验）省几十倍工作量

# 关键：这个方法有效，因为：
#   - 数据是自己产生的，条件标准化
#   - 包含失败案例（低产率也是信息）
#   - 针对具体底物，不需要跨底物泛化

这是条件优化最实际的路径：不指望通用模型给出最优条件，而是用少量标准化实验 + 贝叶斯优化针对具体反应寻优。

合理的期望

任务	可行性
给出「典型条件」作为起点	可行且有用
缩小条件筛选范围	可行
预测具体底物的最优条件	目前不现实
公开数据上的精确产率预测	不现实
HTE 数据上的单反应类型产率预测	可行
贝叶斯优化找最优条件	可行且高效

延伸资源

• 平台：386《ASKCOS》；反应预测：388《反应产物预测》；
• 自动化实验：391《自驱动实验室 Self-Driving Lab》；工艺优化：397《工艺路线优化》。