polyRETRO : une approche par modèle de langage pour prédire la classe de polymérisation et les monomères d’un polymère cible

Transformer les rêves plastiques numériques en matériaux réels

Concevoir de nouveaux plastiques sur ordinateur est aujourd’hui rapide et routinier, mais fabriquer ces matériaux en laboratoire exige encore beaucoup d’essais et d’erreurs manuels. Cet article présente un outil appelé polyRETRO qui aide les chimistes à déterminer comment construire un polymère désiré à partir de molécules de départ simples, accélérant potentiellement le passage de l’idée numérique au produit réel.

Pourquoi fabriquer de nouveaux plastiques reste difficile

Les algorithmes modernes peuvent proposer des structures de polymères aux propriétés recherchées pour l’électronique, l’emballage ou la médecine. Pourtant, la plupart de ces conceptions ne quittent jamais l’écran car les chimistes doivent manuellement élaborer leur synthèse. Il faut décider quelles petites molécules acheter ou synthétiser, quel type de réaction utiliser et comment ces éléments s’assemblent en longues chaînes. Pour les petites molécules courantes, des logiciels offrent déjà ce type de « plan de recette », mais les polymères sont plus grands, plus complexes et manquent des bases de données de réactions riches nécessaires à l’automatisation.

Un modèle de langage qui parle chimie

Les auteurs comblent cette lacune en entraînant de grands modèles de langage, du même type que ceux qui pilotent les chatbots, à raisonner sur la chimie des polymères. Leur système, polyRETRO, part d’un code textuel compact décrivant l’unité de répétition d’un polymère, appelé chaîne SMILES. À partir de cette seule donnée, l’IA prédit d’abord quel grand type de réaction a le plus probablement produit le polymère : polymérisation par propagation (chain growth), condensation par étapes (step-growth) ou ouverture de cycle. Elle enchaîne ensuite en déduisant, en langage chimique clair, comment les groupes fonctionnels ont évolué pendant la réaction et quels monomères devaient être présents.

Des modèles qui relient mots et molécules

Pour rendre cela possible, l’équipe a rassemblé plus de 11 000 voies de polymérisation documentées et les a condensées en « modèles » de réaction. Chaque modèle décrit, en termes lisibles par un humain, comment certains groupes fonctionnels des monomères se combinent pour former une liaison dans la chaîne polymère, par exemple la transformation d’un alcool et d’un acide en une liaison ester. Plutôt que de comparer des motifs atome par atome détaillés, le modèle de langage apprend à associer directement le code SMILES du polymère à l’un de ces modèles. Cette approche conserve une logique chimique interprétable tout en permettant à l’IA de généraliser à travers de nombreuses structures différentes.

Du squelette polymère aux blocs de construction

Une fois un modèle choisi, polyRETRO exécute en quelque sorte la réaction à l’envers. Il imagine l’unité de répétition comme faisant partie d’un cycle, puis « coupe » la liaison spécifique qui se serait formée lors de la polymérisation. Les fragments obtenus, appelés synthons, sont ensuite complétés en monomères réalistes selon les règles du modèle. Pour les polymères issus de l’ouverture de petits cycles, cette étape est encore plus simple : le modèle referme simplement le segment de chaîne pour reconstituer le monomère circulaire d’origine.

Quelle est la performance du système

Sur des milliers de cas tests, le modèle GPT affiné a identifié correctement la classe de réaction dans environ 98 % des cas et choisi le bon modèle de réaction dans plus de 90 % des cas pour les deux grandes familles de polymérisation étudiées. Lorsque l’ensemble de la chaîne a été testé sur des polymères inconnus, y compris l’étape finale de prédiction des monomères, il a retrouvé les monomères de départ corrects dans environ 88 % des cas. Beaucoup des cas restants étaient quasi corrects, ne différant que par de petits groupes terminaux qui resteraient utilisables en laboratoire.

Ce que cela signifie pour les matériaux de demain

Pour un non-spécialiste, polyRETRO peut être vu comme un traducteur qui prend une structure plastique désirée et propose des listes d’ingrédients plausibles et des étapes d’assemblage. Bien que le travail actuel ne recommande pas encore de catalyseurs, solvants ou températures, il offre aux chimistes un point de départ clair et interprétable pour planifier des synthèses. À mesure que l’approche s’étendra à des polymères plus complexes et à des conditions de réaction plus riches, elle pourrait aider à transformer le flux croissant de matériaux conçus par IA en substances réellement fabriquables, testables et utilisables dans les technologies quotidiennes.

Citation: Agarwal, S., Xiong, W. & Ramprasad, R. polyRETRO: a language model approach to predict polymerization class and monomers for a target polymer. npj Artif. Intell. 2, 52 (2026). https://doi.org/10.1038/s44387-026-00113-2

Mots-clés: rétrosynthèse des polymères, grands modèles de langage, conception de polymères, prédiction de monomères, informatique des polymères