DeepRetro découvre des voies rétrosynthétiques via un raisonnement itératif de grands modèles de langage

Pourquoi une chimie plus intelligente compte

Beaucoup des médicaments et matériaux les plus importants d’aujourd’hui commencent comme des molécules complexes et difficiles à synthétiser. Planifier comment construire ces molécules en laboratoire revient un peu à déterminer la meilleure façon de démonter puis remonter une machine sophistiquée à partir de pièces détachées. Cette étape de planification, appelée conception de synthèse, constitue souvent un goulot d’étranglement majeur pour la découverte de médicaments et les matériaux avancés. Cet article présente DeepRetro, un nouveau système open source qui utilise des grands modèles de langage — la même famille d’IA derrière les chatbots modernes — conjointement avec des logiciels de chimie traditionnels et l’expertise humaine pour concevoir des « recettes » réalistes et étape par étape permettant de fabriquer des molécules très complexes.

Démonter les grosses molécules en morceaux gérables

Les chimistes planifient généralement une synthèse en travaillant à rebours depuis la molécule cible, en la « cassant » mentalement en fragments plus simples qui peuvent être achetés ou synthétisés. Les ordinateurs aident à cette tâche depuis des décennies, mais les outils existants peinent lorsque les molécules deviennent trop enchevêtrées, exotiques ou sans équivalent dans leurs bases de réactions. DeepRetro aborde ce problème en combinant deux approches : des moteurs rapides basés sur des règles qui appliquent des motifs réactionnels connus, et un « cerveau » de modèle de langage capable de proposer des façons inhabituelles mais chimiquement plausibles de déconnecter une molécule. Plutôt que de demander à l’IA d’imaginer une recette complète en une seule fois, DeepRetro lui demande une seule étape rétrograde à la fois, puis vérifie soigneusement chaque suggestion.

Maintenir l’IA intègre

Un problème clé des grands modèles de langage est qu’ils peuvent « halluciner » — proposer avec assurance des étapes qui violent des principes chimiques de base. DeepRetro enveloppe l’IA dans plusieurs couches de vérification automatique. Chaque molécule intermédiaire proposée est testée pour des critères de correction simples (par exemple, si les atomes ont le bon nombre de liaisons), pour la stabilité probable et pour la cohérence interne avec le reste de la réaction. Les suggestions qui échouent à ces tests sont rejetées. Pour celles qui passent, le système appelle ensuite un moteur de recherche plus traditionnel pour vérifier si la chimie connue peut relier ces blocs de construction à des matériaux de départ réels et achetables. Les chimistes peuvent aussi intervenir à tout moment via une interface graphique : ils peuvent éditer des structures, relancer seulement une portion d’une voie, ou ajouter des groupes protecteurs courants qui rendent la chimie multi-étapes praticable.

Mettre le système à l’épreuve

Pour évaluer les performances de DeepRetro, les auteurs l’ont testé sur des collections standards de réactions extraites de bases de données de brevets. Pour les prédictions en une seule étape — deviner quels réactifs pourraient former un produit donné — le système a égalé ou dépassé de puissants outils existants selon plusieurs mesures, en particulier pour l’identification correcte du précurseur principal même lorsque des ingrédients secondaires différaient. Pour la planification multi-étapes, DeepRetro a résolu presque toutes les cibles dans deux jeux de test exigeants, y compris une collection de molécules de type médicament particulièrement difficiles, surpassant les méthodes précédentes de pointe. Fait important, ces tests ont été exécutés en mode entièrement automatique, sans corrections humaines, démontrant que le cadre est robuste même avant l’intervention d’experts chimistes.

Études de cas réelles

Les benchmarks peuvent toutefois manquer l’essentiel pour les chimistes : une voie proposée ressemble-t-elle à quelque chose qu’un praticien expérimenté pourrait réellement essayer au laboratoire ? Les auteurs ont donc étudié cinq produits naturels célèbres et très complexes, notamment les antibiotiques érythromycine B et discodermolide, ainsi que l’alcaloïde réserpine. Pour chaque cas, DeepRetro a travaillé en boucle itérative avec des chimistes humains. L’IA proposait des désconnexions et des fragments de voie ; les chimistes élaguaient les idées douteuses, corrigeaient des subtilités stéréochimiques et, parfois, orientaient le système avec un intermédiaire clé. Dans deux cas, DeepRetro a produit des plans de synthèse complets dont la stratégie globale ne correspondait à rien trouvé dans la littérature, bien que les réactions individuelles fussent connues. Cela suggère que le système peut recombiner une chimie familière pour aboutir à de véritables nouvelles voies globales.

Promesses, limites et perspectives

DeepRetro montre que les grands modèles de langage peuvent être plus que de simples générateurs de texte ingénieux ; lorsqu’ils sont étroitement supervisés et combinés à des outils établis, ils peuvent aider à naviguer l’immense espace de recherche des synthèses chimiques possibles. Le cadre présente encore des limites : les modèles de langage généralistes proposent souvent des intermédiaires instables ou irréalistes, et des solutions entièrement automatiques pour les molécules les plus difficiles restent inaccessibles sans supervision humaine. Néanmoins, les solides performances de DeepRetro sur des tests standard, son succès sur des études de cas exigeantes et sa publication en open source en font un modèle pratique pour de futures découvertes scientifiques assistées par l’IA. Pour le grand public, l’idée à retenir est que l’IA passe de la simple prédiction de propriétés moléculaires à la co-conception de recettes de laboratoire entièrement nouvelles, avec le potentiel d’accélérer la création de médicaments et de matériaux dans les années à venir.

Citation: Sathyanarayana, S.V., Hiremath, S.D., Rahil Kirankumar, S. et al. DeepRetro discovers retrosynthetic pathways through iterative large language model reasoning. Sci Rep 16, 8448 (2026). https://doi.org/10.1038/s41598-026-38821-z

Mots-clés: rétrosynthèse, grands modèles de langage, planification de synthèse organique, découverte de médicaments, chimie computationnelle