AI加速化学材料合成(合成化学合成领域人工智能机器人)

作者 | 王柳茜、陆少游

合成化学技术在合成材料和合成药物领域中应用较广，但由于不同化学反应条件下的无穷变化，该领域慢慢成为劳动密集型行业。
分析过程中需要大量经验积累，才有可能打通正确的合成路径，而合成步骤太多、产率太低或者成本过高，使很多分析结果止步于论文发表，真正能够实现商业化，成为一种材料、制药工业方法的则更是凤毛麟角。

随着大数据和人工智能的发展，AI+化学合成刚刚起步，以上痛点正逐渐被解决。
目前在整个化学合成应用领域中，上游市场关注于合成路线的设计，包括辅助研究人员逆向合成预测、路线筛选等；而中游市场囊括了自动化仪器和机器人平台的开发；下游市场集中于医药企业及材料平台的实验室分析服务、企业集成解决方案等。
上游市场依旧占主体，但下游市场的研究与应用才是这个行业商业价值的实际产出。
来自于企业的需求，既能丰富中游产品的产出，同时也能够为上游研究的优化提供建议，从而活化整个市场行业。

二 化学材料合成中的人工智能技术机器学习：典型的监督性机器学习模型指利用规律对数据进行预测分析的算法。
该项技术在化学合成领域中主要应用于根据已有的化学物的结构分析出多种合成路线，预测材料化学性质、谱图模拟以及路线的算法优化。

神经网络：在蒙特卡洛树步骤中引入深度神经网络能够提高计算精度与效率。
该项技术在化学合成领域中既可用于寻找路径，也可对可能的逆合成路线进行初步筛选，用于训练神经网络的测试集包括了所有过往的有机化学反应。

计算机视觉：计算机视觉指机器代替人眼对目标进行识别、跟踪和测量。
该项技术在化学合成领域中主要应用于分子合成中的结构块形态、反应的起始点和节点的识别。

推荐系统：推荐系统是信息过滤系统的一个子类，它根据系统所设定的条件，借助自身云计算的能力所实现。
该项技术能够帮助化学家在多种合成路径当中筛选出简洁高效的最优方法。

大数据技术：其基础技术包括数据采集、数据预处理及数据库等。
该项技术应用在化学合成领域中包括识别关联的数据集和数据流，创建分子感知的数据结构，并生成、细化和验证模型，并根据数据化的模型结果来提出建议。

机器人技术：在化学合成行业中，机器人技术主要应用于以机器人执行的自动化合成平台，机器人辅助执行所有合成操作流程，组装连续流动路径，实现自动化合成。
包括自动检测机器人、自动控制机器人、自动合成机器人。

创腾科技（人工智能与分子模拟平台）：平台主要分为材料模拟计算平台和药物发现与生物大分子计算模拟平台，用“虚拟实验”替代耗时费力的“试错实验”，把握正确的创新方向，为企业极大降低研发投入和风险。
其中的Materials Studio材料模拟软件以可视化视窗界面为核心，涵盖多学科模块；Discovery Studio是基于 Pipeline Pilot构建的分子模拟平台，它服务于生命科学领域的实验生物学家、药物化学家、结构生物学家、计算生物学家和计算化学家，应用于蛋白质结构功能研究，以及药物发现。

Wiley（Chemplanner）：Wiley开发了一款建立在“大数据”和“机器学习”基础上的化学合成软件Chemplanner。
作为计算机辅助有机合成设计系统，它可以通过云计算帮助化学家在多种合成路径中筛选出简洁高效的最优方法，更重要的是，它能完成从目标产物到可获取的起始原料间的逆合成分析。
此外，Chemplanner还可以根据需要（如成本控制，有无催化剂等）重新设计路线。

美国麻省理工学院（ASKCOS）：这一套可用于化学合成反应的开源软件套件，可以根据训练数据来确定反应的转变和条件是否适合构筑新的化合物，在系统流程的最后一步中，配方被加载进入机器人平台，机器人操作臂将模块式反应器、分离器和其他处理单元等组装成连续的合成路径进行反应。
新系统能够处理的反应类型从12种上升为30种，最简单的合成过程只需两个小时。

Citrine（智能材料平台）：Citrine通过定制培训内容，培养企业客户自主使用Citrine平台，以便他们可以不断从该技术中获得最大的商业价值，寻找范围适合的第一批项目，识别关联的数据集并传输到Citrine平台，团队可共建一个模型，使用模型结果来建议应该合成和测试哪些候选材料。

德国马克斯-普朗克胶体与界面研究所（自动化径向合成设备）：该设备用于小分子自动化合成，集循环合成和线性合成的优势于一身，不需要在不同工艺之间进行费时费力的手动调整，该系统确保了反应的可重复性，只要输入相同质量的物料，给定的合成指令将在另一个相同系统上以完全相同的方式执行。
反应数据将返回给设备，以便进行深度学习。

高端人工智能人才缺口：在AI+化学合成领域中，底层方案的鉴别和筛选可以由初级研究人员完成，但是预测路径的开发、定向合成的优化等步骤，往往需要更高级的技术人员作为总设计师，目前企业和高校缺乏体系化的材料/药物+信息学人才培养方案。

缺乏完善的商业机制：目前，人工智能+化学合成的开发更多停留在实验室阶段，市场并未形成清晰的产业链合作方式，数据共享机制不足、设备接口不统一。
这造就来自不同化学合成市场层级的商业模式不统一，发展速度较缓。

绿色合成：未来的合成化学将更加强调原子的经济性，实现绿色合成的目标，这将主要依赖对反应机制的深入研究。
通过对反应目标在基元步骤和原子层面的认识，寻找合适的催化剂，通过特定化学键的选择性活化，实现原子水平的精准操控，AI在该领域的深度发展将需要底层学科的助力。

化学合成与生物合成的结合：生物合成利用基因剪接构建遗传密码，让细胞来完成设计人员设想的各种任务，以期利用合成研究人员所需的生物材料、新药和改进的药物。
合成化学与合成生物学相比较而言，前者的主要优势在于结构的可变性，而后者的主要优势在于过程的经济性。
两个学科融合可综合两方优势，使物质合成具有更高的效率与更多样的结构。