# RetroChimera结合两种逆合成预测方法

- Source: MechNext — https://mechnext.eu/zh/article/18-retrochimera-combines-two-approaches-to-retrosynthesis-prediction
- Published: 2026-09-24
- Updated: 2026-09-24
- Category: Industry News
- Language: zh (Markdown in other languages: ?lang=en, ?lang=de, ?lang=sk, ?lang=pl, ?lang=ru)

> 微软研究院称，RetroChimera已发表于《Nature》。这一框架结合前体分子预测与反应模板选择；在盲测中，化学专家更偏好它提出的复杂分子拆分建议。

微软研究院（Microsoft Research）报告称，其逆合成预测模型RetroChimera发表于《Nature》。RetroChimera是一个围绕两个模型构建的逆合成预测框架。逆合成思路从目标分子出发，考虑可能的前体分子或拆分方式，以推测能够通向该目标的方案。这个框架把两种不同的建模方法结合起来，再将它们给出的排序建议汇总。文章所描述的重点，是如何组合预测结果，以及专家在盲测中对这些建议的偏好。

### 两个模型采用不同的预测路径

第一个组件R-SMILES 2是基于Transformer的从头生成模型。它直接根据输入分子预测前体分子。也就是说，它所承担的任务是从目标分子直接给出可能的前体，不依赖另一个组件所采用的反应模板选择流程。它为框架提供了一条从输入分子到前体建议的路径。

第二个组件NeuralLoc是图神经网络模型。它把目标分子和反应模板编码为图，选择模板，并预测应当在什么位置应用这些模板。因此，它的预测过程包括反应模板的选择及其在分子上的应用位置。两个组件提出建议的方式不同：一个直接预测前体，另一个围绕模板及应用位置作出预测。RetroChimera会利用这两个子模型各自排序后的预测，而不是只呈现其中一个模型的结果。

这种分工说明了框架组合的对象。R-SMILES 2的直接预测提供一种结果列表；NeuralLoc通过图表示目标和模板，并选择模板、判断应用位置，提供另一种结果列表。两种方法关注的步骤不同，所以合并时需要处理各自给出的排序。文章将RetroChimera描述为由这两个模型构成的预测框架，并说明它会将双方的排序结果放在一起处理。

### 如何组合排序建议

RetroChimera使用一种经过学习的集成策略，组合两个子模型排好序的预测。该策略采用依赖排名的投票：一个建议在模型排序中的位置会影响它在合并时得到的投票。如果两个模型提出相同的反应，它们的票数会相加。因此，两个模型意见一致会进入共同排序的计算；各模型原有的排序位置也参与这一组合过程。

这就是文章所述设计的核心：一个组件直接预测前体，另一个组件选择反应模板并预测模板的应用位置，随后由经过学习的策略合并双方排序后的输出。合并的作用是组织和比较两个模型提出的预测。仅凭这个排序，不能得出每条建议都已经通过实验验证或一定能够在实验室实现的结论。模型输出的是供考虑的预测建议；文章对专家测试的描述，讨论的是专家在不同建议之间的偏好。

依赖排名的投票还意味着，框架会同时处理单个模型的排名和两者之间的相同建议。文章明确说明，当两个模型提出同一反应时会把投票相加。由此可见，集成步骤将各自排序与模型间的一致性纳入共同处理。不过，现有描述并未把排名本身说成实验可行性的证明。理解结果时，应把预测建议、它们的相对排序，以及是否经过实验验证区分开来；文章报告了前两者相关的信息，并未声称每条建议都经过实验确认。

### 文章报告的表现与专家评估

文章称，RetroChimera在常见和罕见反应类别中表现强劲，并生成更符合化学家判断的预测。文章还报告了盲测结果：对于复杂分子的拆分建议，专家化学家更偏好RetroChimera提出的方案，而不是其组成子模型、已有方法以及测试集本身所给出的建议。这是文章对相关盲测中专家偏好的描述，结论应限定在这一比较范围内。

这一范围有助于准确理解报告的结果。模型负责提出逆合成建议，而盲测记录的是专家在不同建议之间作出的偏好判断。文章没有说每一种提出的拆分都已获得实验验证。因此，专家偏好本身并不能证明每条排名靠前的方案都能在实验室实现。微软研究院报告的是：在所述比较中，专家更偏好组合模型的建议；同时，文章称其在常见和罕见反应类别上表现强劲，并称预测结果更贴近化学家的判断。

盲测比较所涉及的对象包括RetroChimera的两个组成子模型、已有方法和测试集本身。文章概括称，在复杂分子的拆分任务上，专家偏好RetroChimera的建议。这个说法表达的是建议之间的相对评价，并不等同于宣称系统已经完成合成，也不等同于宣称每个建议都经过实验确认。报告的表现、专家判断和实验验证是不同层次的信息；在这篇文章所给出的事实中，盲测提供的是专家偏好方面的比较。

### 开放获取与发布信息

微软研究院表示，已经以开源方式发布RetroChimera的实现和模型权重。文章还称，该模型可在GitHub上获取，采用MIT许可证，也可通过Microsoft Foundry访问。这些信息说明微软研究院在文章中报告的获取渠道，并不构成另一项独立的性能评价。文章把这项工作置于大规模小分子合成预测的背景之下，介绍重点则是由两个模型组成的框架及其预测组合方式。

对读者而言，理解各组件的分工有助于读懂它的输出。R-SMILES 2从输入分子直接预测前体分子；NeuralLoc把目标分子和反应模板编码成图，选择模板并预测应用位置。接下来，RetroChimera以经过学习、依赖排名的投票策略组合两份排序结果；如果两者提出相同反应，就累加投票。文章报告的盲测偏好提供了专家对这些建议的比较，发表与获取信息则说明微软研究院如何介绍和开放这项工作。

整体而言，文章将RetroChimera描述为一个逆合成预测框架：它结合直接生成前体与基于模板的预测，使用学习得到的排序组合策略，并报告专家在复杂分子拆分任务中更偏好其建议。这里的相关陈述均对应微软研究院文章所报告的内容，包括模型发表于《Nature》、在不同反应类别中的表现、盲测比较，以及实现和权重的开放发布。这些信息说明模型如何构成、如何组合预测，以及文章报告了怎样的专家判断。

把这些内容连起来看，框架先让两种模型从不同路径产生结果，再通过共同的排名策略整理建议。直接预测和模板选择各自提供一种模型视角；依赖排名的投票负责组合两边的排序，并把相同反应带来的票数相加。文章报告的专家偏好说明，参与盲测的化学专家在所述比较中较常选择RetroChimera的复杂分子拆分建议。这个结果仍然是对预测建议的评估，不能替代对具体方案是否得到实验验证的判断。微软研究院也报告了实现、权重及其获取方式，使读者可以按文章所列渠道查找该模型。