polyRETRO: hedef bir polimer için polimerleşme sınıfını ve monomerleri tahmin etmeye yönelik bir dil modeli yaklaşımı

Sayısal plastik hayallerini gerçek malzemelere dönüştürmek

Bilgisayarda yeni plastikler tasarlamak artık hızlı ve rutin bir işlem, ancak bu malzemeleri laboratuvarda gerçekten üretmek hâlâ çokça insan muhakemesi gerektiriyor. Bu makale, kimyagerlerin istenen bir polimeri basit başlangıç moleküllerinden nasıl inşa edeceklerini bulmalarına yardımcı olan ve dijital fikri gerçek ürüne dönüştürme sürecini hızlandırma potansiyeli taşıyan polyRETRO adlı bir aracı tanıtıyor.

Yeni plastikler üretmenin hâlâ zor olmasının nedeni

Güncel algoritmalar, elektronik, ambalajlama veya tıp için istenen özelliklere sahip polimer yapıları önerebiliyor. Yine de bu tasarımların çoğu ekrandan dışarı çıkmıyor çünkü kimyagerlerin bunları sentezlemenin yolunu elle çözmesi gerekiyor. Bu, hangi küçük moleküllerin satın alınacağı veya sentezleneceği, hangi reaksiyon tipinin kullanılacağı ve bu parçaların uzun zincirlere nasıl oturacağı gibi kararlar vermeyi kapsıyor. Yaygın küçük moleküller için bilgisayar programları zaten bu tür “tarif planlaması” sunuyor, ancak polimerler daha büyük, daha karmaşık ve otomatik planlama için gerekli zengin reaksiyon veritabanlarından yoksun.

Kimya konuşan bir dil modeli

Yazarlar bu boşluğu, sohbet robotlarını çalıştıranla aynı tür yapay zekâ olan büyük dil modellerini polimer kimyası hakkında akıl yürütmeyi öğreterek kapatıyor. Sistemleri polyRETRO, bir polimer tekrar birimi için sıkıştırılmış bir metin kodu olan SMILES dizgesinden başlıyor. Sadece bu girdiden AI önce polimerin muhtemelen hangi geniş reaksiyon tarzıyla üretilmiş olduğunu öngörüyor: basit zincir büyümesi, aşamalı kondenzasyon veya halka açılma süreçleri gibi. Ardından, fonksiyonel grupların reaksiyon sırasında nasıl değiştiğini ve hangi monomer moleküllerin bulunmuş olması gerektiğini açık kimyasal ifadelerle çıkarsıyor.

Sözler ile moleküller arasında köprü kuran şablonlar

Bunu mümkün kılmak için ekip, 11.000'den fazla belgelenmiş polimerleşme yolunu derledi ve bunları reaksiyon “şablonları”na dönüştürdü. Her şablon, monomerler üzerindeki belirli fonksiyonel grupların polimer zincirinde bir bağ oluşturmak için nasıl birleştiğini, örneğin bir alkol ile bir asidin ester bağına dönüşmesi gibi, insan tarafından okunabilir terimlerle tanımlar. Ayrıntılı atom-atom desenleriyle karşılaştırma yapmak yerine dil modeli, polimerin SMILES kodundan doğrudan bu şablonlardan birine eşlemeyi öğreniyor. Bu yaklaşım, kimyasal mantığı yorumlanabilir tutarken yapay zekânın farklı yapılar arasında genelleme yapmasına izin veriyor.

Polimer omurgasından yapı taşlarına dönüş

Bir şablon seçildikten sonra polyRETRO etkili bir şekilde reaksiyonu tersine çalıştırıyor. Tekrar birimini bir halkanın parçası olarak hayal ediyor, sonra polimerleşme sırasında oluşmuş olacak spesifik bağı “kesiyor”. Ortaya çıkan parçalar, sentonlar olarak adlandırılıyor, ardından şablonun kurallarına göre gerçekçi monomer moleküller haline tamamlanıyor. Küçük halkaların açılmasıyla oluşan polimerler için bu adım daha da basit: model, zincir segmentini orijinal halka biçimli monomere geri kapatıyor.

Sistem ne kadar iyi çalışıyor

Binlerce test vakasında ince ayarlanmış GPT modeli, reaksiyon sınıfını yaklaşık %98 oranında doğru tespit etti ve çalışmada ele alınan iki ana polimerleşme ailesi için doğru reaksiyon şablonunu %90'dan fazla oranla seçti. Tam boru hattı, yani son monomer tahmin adımı da dahil olmak üzere görülmemiş polimerler üzerinde test edildiğinde, doğru başlangıç monomerlerini yaklaşık %88 oranında yeniden buldu. Kalan vakaların çoğu neredeyse doğruydu; laboratuvarda hâlâ pratik olabilecek küçük uç gruplardaki farklılıklardan ibaretti.

Geleceğin malzemeleri için bunun anlamı

Bir uzman olmayan bakış açısından polyRETRO, istenen bir plastik yapısını alıp makul içerik listeleri ve birleştirme adımları öneren bir çevirmen olarak görülebilir. Mevcut çalışma hâlihazırda katalizörler, çözücüler veya sıcaklıkları önermese de, kimyagerlere sentez planlaması için açık ve yorumlanabilir bir başlangıç noktası sunuyor. Yöntem daha karmaşık polimerlere ve daha zengin reaksiyon koşullarına genişletildikçe, yapay zekâ tarafından tasarlanan malzemelerin gerçekten üretilebilen, test edilebilen ve günlük teknolojilerde kullanılabilen maddelere dönüşmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: polimer retrosentezi, büyük dil modelleri, polimer tasarımı, monomer tahmini, polimer enformatiği