polyRETRO: en språkmodellmetod för att förutsäga polymerisationsklass och monomerer för en målsatt polymer

Att förvandla digitala plastdrömmar till verkliga material

Att designa nya plaster i en dator är numera snabbt och rutinmässigt, men att faktiskt tillverka dessa material i laboratoriet kräver fortfarande mycket mänskligt prövande och gissningar. Denna artikel introducerar ett verktyg kallat polyRETRO som hjälper kemister att räkna ut hur man bygger en önskad polymer från enkla startmolekyler, vilket potentiellt kan påskynda resan från digital idé till verklig produkt.

Varför det fortfarande är svårt att göra nya plaster

Moderna algoritmer kan föreslå polymerstrukturer med önskvärda egenskaper för elektronik, förpackningar eller medicin. Ändå lämnar de flesta av dessa designer aldrig skärmen eftersom kemister måste arbeta ut syntesen manuellt. Det innebär att avgöra vilka småmolekyler som ska köpas eller framställas, vilken typ av reaktion som ska användas och hur dessa delar bygger ihop till långa kedjor. För vanliga småmolekyler erbjuder datorprogram redan denna typ av ”receptplanering”, men polymerer är större, mer komplexa och saknar de omfattande reaktionsdatabaser som behövs för automatiserad planering.

En språkmodell som talar kemi

Författarna angriper detta gap genom att lära stora språkmodeller, samma slags AI som driver chattbotar, att resonera om polymerkemi. Deras system, polyRETRO, utgår från en kompakt textkod för en polymerupprepningsenhet kallad en SMILES-sträng. Bara från denna förutsäger AI:n först vilken bred reaktionskategori som sannolikt gav upphov till polymeren: enkel kedjetillväxt, stegvis kondensation eller ringöppningsprocesser. Därefter går den vidare för att sluta sig till, i vanlig kemisk terminologi, hur funktionella grupper förändrades under reaktionen och vilka monomerer som måste ha varit närvarande.

Mallarna som bygger broar mellan ord och molekyler

För att göra detta möjligt sammanställde teamet mer än 11 000 dokumenterade polymerisationsvägar och destillerade dem till reaktions"mallar". Varje mall beskriver, på ett människoläsbart sätt, hur vissa funktionella grupper på monomerer kombineras för att bilda en bindning i polykedjan, till exempel att omvandla en alkohol och en syra till en esterbindning. Istället för att jämföra detaljerade atom-för-atom-mönster lär sig språkmodellen att mappa från polymerens SMILES-kod direkt till en av dessa mallar. Detta tillvägagångssätt håller den kemiska logiken tolkbar samtidigt som AI:n kan generalisera över många olika strukturer.

Från polymerryggrader tillbaka till byggstenar

När en mall valts kör polyRETRO i praktiken reaktionen baklänges. Den föreställer sig upprepningsenheten som en del av en ring och "skär" sedan den specifika bindning som skulle ha bildats under polymerisationen. De resulterande fragmenten, kallade synthoner, kompletteras sedan till realistiska monomermolekyler enligt mallens regler. För polymerer som bildats genom öppning av små ringar är detta steg ännu enklare: modellen återstänger bara kedjesegmentet till dess ursprungliga ringformade monomer.

Hur väl fungerar systemet

Över tusentals testfall identifierade den finjusterade GPT-modellen korrekt reaktionsklassen i ungefär 98 procent av fallen och valde rätt reaktionsmall i mer än 90 procent av fallen för båda huvudfamiljerna av polymerisation som studerades. När hela pipelinen testades på tidigare osedda polymerer, inklusive det slutliga steget med monomerprediktion, återfann den de korrekta startmonomererna i ungefär 88 procent av fallen. Många av de återstående fallen var nästan rätt, och skilde sig endast i små ändgrupper som ändå skulle vara praktiska i en laboratoriemiljö.

Vad detta betyder för framtidens material

För en icke-specialist kan polyRETRO ses som en översättare som tar en önskad plaststruktur och föreslår rimliga ingredienslistor och monteringssteg. Medan det nuvarande arbetet ännu inte rekommenderar katalysatorer, lösningsmedel eller temperaturer, erbjuder det kemister en tydlig, tolkbar utgångspunkt för att planera synteser. När metoden utvidgas till mer komplexa polymerer och rikare reaktionsvillkor kan den hjälpa till att förvandla den växande mängden AI-designade material till substanser som faktiskt kan tillverkas, testas och användas i vardaglig teknik.

Citering: 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

Nyckelord: polymer retrosyntes, stora språkmodeller, polymerdesign, monomerprediktion, polymerinformatik