DeepRetro, yinelemeli büyük dil modeli akıl yürütmesiyle retrosentetik yollar keşfediyor

Daha Akıllı Kimyanın Neden Önemli Olduğu

Günümüzün en önemli ilaçları ve malzemelerinin çoğu, karmaşık ve üretmesi zor moleküller olarak başlar. Bu molekülleri laboratuvarda nasıl inşa edeceğinizi planlamak, yedek parçalardan karmaşık bir makineyi söküp yeniden monte etmenin en iyi yolunu bulmaya benzer. Bu planlama adımı, sentez tasarımı olarak adlandırılır ve genellikle ilaç keşfi ve ileri malzemelerde büyük bir darboğazdır. Bu makale, DeepRetro adlı yeni açık kaynaklı bir sistemi tanıtıyor; bu sistem, modern sohbet botlarının arkasındaki ile aynı sınıftan olan büyük dil modellerini geleneksel kimya yazılımları ve insan uzmanlığı ile birleştirerek çok karmaşık moleküller için gerçekçi, adım adım tarifler tasarlıyor.

Büyük Molekülleri Yönetilebilir Parçalara Bölmek

Kimyagerler genellikle hedef molekülden geriye doğru çalışarak bir sentez planlar; zihinsel olarak onu satın alınabilir veya üretilebilir daha basit parçalara “ayırırlar”. Bilgisayarlar on yıllardır bu işe yardımcı oluyor, ancak mevcut araçlar moleküller çok karmaşık, egzotik veya reaksiyon veri tabanlarındaki hiçbir şeye benzemediğinde zorlanıyor. DeepRetro bunu iki dünyayı birleştirerek çözer: bilinen reaksiyon desenlerini uygulayan hızlı, kural tabanlı motorlar ve bir molekülü parçalara ayırmak için sıra dışı ama kimyasal olarak mantıklı yollar önerebilen bir dil modeli beynini. AI’dan bir seferde tam bir tarif hayal etmesini istemek yerine, DeepRetro ondan her seferinde yalnızca bir geriye adım ister ve ardından her öneriyi dikkatle kontrol eder.

AI’yı Dürüst Tutmak

Büyük dil modelleriyle ilgili kilit sorunlardan biri onların “halüsinasyon” yapabilmesidir—temel kimyaya aykırı adımları kendinden emin bir şekilde önerebilirler. DeepRetro AI’yı birkaç katmanlı otomatik kontrolle sarar. Önerilen her ara molekül basit doğruluk (örneğin atomların doğru sayıda bağa sahip olup olmadığı), olası kararlılık ve reaksiyonun geri kalanıyla iç tutarlılık açısından test edilir. Bu testleri geçemeyen öneriler reddedilir. Geçenler için sistem daha sonra bilinen kimyanın bu yapı taşlarını gerçek, satın alınabilir başlangıç malzemelerine bağlayıp bağlamadığını görmek için daha geleneksel bir arama motorunu çağırır. Kimyagerler ayrıca grafiksel bir arayüz aracılığıyla herhangi bir noktada müdahale edebilir: yapıları düzenleyebilir, yalnızca bir yolun bir bölümünü yeniden çalıştırabilir veya çok adımlı kimyayı pratik hale getiren koruyucu gruplar ekleyebilirler.

Sistemi Teste Sokmak

DeepRetro’nun ne kadar iyi çalıştığını görmek için yazarlar, onu patent veri tabanlarındaki standart ölçüt koleksiyonlarında değerlendirdiler. Tek adımlı tahminler—bir ürünün hangi reaktanlarla yapılabileceğini tahmin etme—için sistem, özellikle ana öncülü doğru tanımlamada, küçük bileşenler farklı olsa bile birkaç ölçütte güçlü mevcut araçlarla eşleşti veya aştı. Çok adımlı planlamada ise DeepRetro, özellikle zorlu ilaç benzeri molekülleri içeren bir koleksiyon da dahil olmak üzere iki zorlu test setindeki hedeflerin neredeyse tamamını çözdü ve önceki en iyi yöntemleri geride bıraktı. Önemli olarak, bu testler tam otomatik modda, insan düzeltmeleri olmadan çalıştırıldı; bu da çerçevenin uzman kimyagerler müdahale etmeden önce bile sağlam olduğunu gösteriyor.

Gerçek Dünya Vaka Öyküleri

Yalnızca ölçütler, kimyagerlerin gerçekten önem verdiği şeyi kaçırabilir: önerilen bir rota, deneyimli bir uygulayıcının laboratuvarda gerçekten deneyeceği bir şey gibi görünüyor mu? Bu nedenle yazarlar, eritromisin B ve diskodermolid antibiyotikleri ile reserpin alkaloidi de dahil olmak üzere beş ünlü, son derece karmaşık doğal ürünü incelediler. Her vaka için DeepRetro, insan kimyagerlerle yinelemeli bir döngü içinde çalıştı. AI ayrışımlar ve rota parçaları önerdi; kimyagerler şüpheli fikirleri budadı, ince stereokimyasal sorunları düzeltti ve bazen sistemi ana bir ara ürünle yönlendirdi. İki vakada DeepRetro, bireysel reaksiyonlar biliniyor olmasına rağmen yazarların literatürde bulabildiklerinden farklı olan tam sentez planları üretti. Bu, sistemin tanıdık kimyayı gerçekten yeni küresel rotalara yeniden birleştirebildiğini gösteriyor.

Söz, Sınırlar ve Sonraki Adımlar

DeepRetro, büyük dil modellerinin yalnızca akıllı metin üreticilerinden daha fazlası olabileceğini gösteriyor; sıkı denetim altında ve yerleşik araçlarla birleştirildiğinde, olası kimyasal sentezlerin muazzam arama alanında gezinmeye yardımcı olabilirler. Çerçevenin hâlâ sınırları var: genel amaçlı dil modelleri sıklıkla kararsız veya gerçekçi olmayan ara bileşikler önerebilir ve en zorlu moleküller için tamamen otomatik çözümler insan gözetimi olmadan ulaşılması güç kalır. Yine de DeepRetro’nun standart testlerdeki güçlü performansı, zorlu vaka çalışmalarındaki başarısı ve açık kaynak olarak yayınlanması, gelecekteki yapay zeka destekli bilimsel keşifler için pratik bir şablon sunuyor. Uzman olmayanlar için çıkarım, yapay zekânın moleküler özellikleri tahmin etmekten laboratuvar tariflerini birlikte tasarlamaya doğru ilerlediği ve önümüzdeki yıllarda ilaç ve malzeme üretimini hızlandırma potansiyeline sahip olduğudur.

Atıf: 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

Anahtar kelimeler: retrosentez, büyük dil modelleri, organik sentez planlaması, ilaç keşfi, hesaplamalı kimya