RetroChimera：以双模型学习式集成提升小分子逆合成预测
核心概要
该工作提出 RetroChimera 逆合成预测框架，将基于 Transformer 的从头预测模型 R-SMILES 2 与基于图神经网络、以反应模板为约束的 NeuralLoc 通过按排名加权的学习式集成策略结合，使二者互补优势得以发挥，在常见与罕见反应类别上均表现稳健，并在盲测中使博士级化学家更偏好其给出的复杂分子断键方案，优于两个子模型、更早的方法乃至测试集本身记录的反应。
深度剖析
提出由两个互补子模型构成的逆合成框架：R-SMILES 2 直接从目标分子预测前体，NeuralLoc 则以图神经网络编码目标分子与反应模板并预测模板及其应用位点。 相对单一建模范式，该设计同时容纳了不受模板约束的灵活生成与基于训练数据反应模式的可靠预测，并指出二者擅长不同反应类型：R-SMILES 2 在反应过程中变化较大的反应上表现突出，NeuralLoc 在低优先级反应和局部变化反应上更优。 文中以架构描述与反应类型分工说明为依据，属于方法层面的设计论证。
采用学习式集成策略融合两个子模型的排序预测：每个模型对预测的反应物集合给出随排名变化的学习投票，当两者提出相同反应时投票相加。 不同于简单选择或固定权重融合，该策略学习在不同排名上对各模型的信任程度，从而在各类反应上大致达到较优子模型的水平。 文中以集成机制说明与跨反应类别的表现描述为依据。
在盲测中，专家化学家更偏好 RetroChimera 对复杂分子给出的断键方案，优于其两个子模型、更成熟的方法以及测试集中记录的反应。 将评价标准从与已知反应比对扩展到与化学家判断的一致性，回应了既有系统在召回罕见反应、训练分布外稳健性和符合化学家预期方面的挑战。 依据为博士级化学家参与的盲测偏好结果，文中未给出具体样本量或统计量。
模型实现与权重以 MIT 许可在 GitHub 开源，并可通过 Microsoft Foundry 访问，同时报告了在专有数据集上的零样本迁移与微调验证。 将方法从论文描述推进到可供化学界直接实验的可用资源，并覆盖了训练分布之外的迁移场景。 依据为文中对开源、访问渠道及验证研究范围的陈述。
启示与展望
该工作面向从小分子目标出发的逆合成路线规划，适用于药物发现与智能材料等分子科学场景，其价值在于帮助化学家更快识别有前景的合成路线并大规模评估更多、更复杂的候选分子；文中将其定位为与实验室自动化结合、走向闭环自我改进系统的组件。开源实现与权重以及平台访问渠道，使外部研究者可在自有目标上直接检验其表现。
盲测中专家偏好的具体规模与统计口径、罕见反应类别的覆盖范围、以及零样本迁移与微调在专有数据集上的具体设置，在本文中未展开；这些细节需查阅所引的 Nature 原文与配套文章。此外，文中对闭环、自我改进系统的加速预期属于展望，尚待与实验室自动化结合后的实际验证。