Платформа планирования синтеза с управлением искусственным интеллектом (PhotoCat) для фотокатализа

Проливая свет на более умную химию

Химики всё чаще используют свет для запуска химических реакций, превращая простые исходные вещества в лекарства, материалы и ароматические соединения с меньшими отходами и энергозатратами. Тем не менее проектирование этих реакций, управляемых светом (фотокаталитических), зачастую остаётся медленным процессом проб и ошибок. В этой статье представлена система PhotoCat — платформа на основе искусственного интеллекта, которая обучена на десятках тысяч прошлых реакций, приводимых светом, и помогает учёным предсказывать исходы, планировать новые синтезы и выбирать практические лабораторные условия. Для читателя это взгляд на то, как ИИ и зелёная химия объединяются, чтобы ускорить открытия и одновременно снизить воздействие на окружающую среду.

Построение карты реакций, управляемых светом

Первый шаг авторов заключался в создании подробной карты известных фотокаталитических превращений. Они прошерстили научную литературу и экспериментальные записи, собрав PhotoCatDB — курируемую базу данных из 26 700 реакций, инициированных светом. Каждая запись фиксирует не только входные и выходные молекулы, но и ключевые экспериментальные детали: какой фотокатализатор использовался, присутствовали ли кислоты, основания или добавки, растворитель и цвет (длина волны) света. Многие записи описывают многокомпонентные реакции, где несколько блоков собираются одновременно, отражая ту сложность, с которой сталкиваются химики в лаборатории. Сравнивая сходство между продуктами, команда обеспечила, чтобы база подчёркивала разнообразные и новые реакции, а не множество почти одинаковых примеров.

Обучение ИИ пониманию фотохимии

На основе этой базы данных исследователи создали PhotoCat — набор моделей глубокого обучения, основанных на архитектуре Transformer, первоначально разработанной для машинного перевода. Один модуль, PhotoCat-RXN, учится предсказывать продукты реакции по исходным веществам и, если доступны, по условиям реакции. Другой, PhotoCat-Retro, работает в обратном направлении: для заданной целевой молекулы он предлагает правдоподобные фотокаталитические исходники и шаги. Третий модуль, PhotoCat-Cond, рекомендует реальную лабораторную установку — фотокатализатор, растворитель, добавки и длину волны света — которые с высокой вероятностью сделают предлагаемую реакцию осуществимой. Чтобы дать моделям широкий «химический здравый смысл», команда сначала обучила их на миллионах общих реакций из открытых патентных данных, а затем дообучала на специализированном наборе по фотокатализу.

Почему условия важны не меньше компонентов

Ключевое наблюдение этой работы в том, что явное указание условий реакции значительно улучшает работу ИИ. Когда модель получала только исходные молекулы, её точность в предсказании основного продукта уже была приличной. Но добавление структурированной информации о фотокатализаторе, кислоте или основании, добавках, растворителе и цвете света повысило точность первого предсказания до более чем 82 процентов и ускорило обучение. Авторы приводят яркий пример, в котором наличие или отсутствие сильной кислоты меняет реакцию с образования кетона на образование алкена. Карты внимания модели показывают, что она «смотрит» особенно внимательно на метку кислотности именно в тот момент, когда предсказывает ту часть структуры продукта, которая контролируется этим выбором — что отражает рассуждения человеческих химиков о влиянии условий.

От экрана до скамьи: открытие новых реакций

Чтобы проверить, что PhotoCat — это не просто числовая игра, команда использовала его для предложения совершенно новых фотокаталитических трансформаций и затем реализовала их в лаборатории. Рабочий процесс начинается с того, что PhotoCat-Retro предлагает светоиндуцированный маршрут к целевой структуре, затем PhotoCat-Cond выбирает условия, а PhotoCat-RXN проверяет, согласуются ли предсказанные продукты. Из 22 кандидатур, предложенных ИИ, химики отобрали пять, которые выглядели новыми и прагматичными; четыре из них оказались успешными в лаборатории с хорошими выходами. Эти новые реакции включают светоиндуцированную ацилляцию, напоминающую более чистую версию классического процесса Фриделя–Крафтса, путь без каталитических добавок к бензоксазолам, безметаллический метод введения трифторометильных групп в ненасыщенные кислоты с использованием воздуха в качестве окислителя и эффективную световую оксо-аминирование простых алкенов.

Что это означает для будущей зелёной химии

Для неспециалистов вывод таков: PhotoCat действует как интеллектуальный ассистент, который прочитал десятки тысяч работ по фотокатализу и может предложить «что попробовать дальше» в лаборатории. Комбинируя созданную с прицелом на задачу базу данных с современными моделями ИИ, платформа достигает точности, сопоставимой с лучшими инструментами общего предсказания реакций, но специально адаптированной под химию, управляемую светом. Ещё важнее то, что она превращает абстрактные предсказания в конкретные рецепты, которые химики могут испытать, сокращая путь от идеи до эксперимента. По мере роста базы данных и интеграции моделей с более широкими инструментами планирования системы вроде PhotoCat могут сделать фотокатализ рутинным, более экологичным выбором в химическом производстве, незаметно повышая устойчивость продуктов, на которые мы полагаемся ежедневно.

Цитирование: Xu, J., Zhai, S., Huang, P. et al. An artificial intelligence-driven synthesis planning platform (PhotoCat) for photocatalysis. Commun Chem 9, 92 (2026). https://doi.org/10.1038/s42004-026-01894-y

Ключевые слова: фотокатализ, искусственный интеллект, предсказание реакций, ретросинтез, зелёная химия