RetroReasoner: KI-Modell revolutioniert strategische Retrosynthese

Die Vorhersage von Retrosynthesen ist ein zentrales Problem der organischen Chemie, bei dem für ein gegebenes Produktmolekül die passenden Reaktanten bestimmt werden sollen. Traditionell wählen Chemiker manuell ein plausibles Bindungsabbau-Szenario aus und leiten daraus die Reaktanten ab – ein aufwändiger Prozess, der viel Fachwissen erfordert.

Neuere Fortschritte bei molekularen Large Language Models (LLMs) haben zwar Fortschritte gebracht, doch viele Ansätze liefern Reaktanten ohne echte strategische Überlegung oder führen lediglich eine generische Produktanalyse durch. Sie berücksichtigen nicht explizit die Bindungsabbau-Strategien, die logisch zur Auswahl bestimmter Reaktanten führen.

RetroReasoner löst diese Lücken, indem es die strategische Denkweise von Chemikern nachahmt. Das Modell wird sowohl durch supervised fine‑tuning (SFT) als auch durch reinforcement learning (RL) trainiert. Für das SFT wird die SyntheticRetro‑Framework‑Methode eingesetzt, die strukturierte Abbau‑Begründungen zusammen mit Reaktanten vorhersagt. Im RL‑Modus dient die „Round‑Trip‑Accuracy“ als Belohnung: Die vorhergesagten Reaktanten werden in ein Vorwärts‑Synthese‑Modell eingespeist, und die Vorhersage wird belohnt, wenn das daraus resultierende Produkt mit dem ursprünglichen Produkt übereinstimmt.

Experimentelle Ergebnisse zeigen, dass RetroReasoner nicht nur bestehende Baselines übertrifft, sondern auch ein breiteres Spektrum an machbaren Reaktanten vorschlägt – besonders bei komplexeren Reaktionsfällen. Damit eröffnet das Modell neue Möglichkeiten für die effiziente und strategische Planung von Synthesen.