Large Language Models for Inorganic Synthesis Predictions.
無機合成預測的大型語言模型。 J Am Chem Soc 2024-07-11

預先訓練並微調的大型語言模型（LLMs）在預測無機化合物的合成可行性和選擇無機合成的前驅物方面非常有效。相較於專門的機器學習模型，微調後的LLMs表現優異，使用者需要的專業知識、成本和時間也較少。這種方法將成為未來化學機器學習研究的重要參考，同時也是實驗化學家的實用工具。 PubMed DOI

Extracting structured data from organic synthesis procedures using a fine-tuned large language model.
使用微調的大型語言模型從有機合成程序中提取結構化數據。 Digit Discov 2024-08-19

這項研究強調了數據驅動和機器學習在有機化學中的重要性，特別是在將文獻中的非結構化文本轉為結構化反應數據。這對於提升反應預測和條件建議非常關鍵。研究人員微調了一個大型語言模型，從有機合成程序中提取反應信息，並依據開放反應數據庫格式化。經過微調後，模型在生成完整記錄時達到91.25%的準確率，單個數據欄位則為92.25%。研究還探討了模型的局限性及其在特定任務上的表現。 PubMed DOI

Large Language Models as Molecular Design Engines.
大型語言模型作為分子設計引擎。 J Chem Inf Model 2024-09-04

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

Automated electrosynthesis reaction mining with multimodal large language models (MLLMs).
多模態大型語言模型 (MLLMs) 在自動化電合成反應挖掘中的應用。 Chem Sci 2024-10-15

從舊有的出版物和專利中提取化學數據面臨不少挑戰，但自動化反應挖掘提供了有效的解決方案，能將這些知識轉換為數位格式，促進材料和反應的發現。這項研究探討了使用多模態大型語言模型（MLLMs）來分析不同數據輸入，並創建了一個包含65篇文章的測試數據集。結果顯示，表現最佳的MLLM在解析反應圖和解決數據模態相互依賴性方面達到96%以上的準確率。我們開發的MERMES工具包整合了這些功能，簡化了知識提取過程，為化學知識的數位化奠定基礎。 PubMed DOI

An automatic end-to-end chemical synthesis development platform powered by large language models.
一個由大型語言模型驅動的自動化端到端化學合成開發平台。 Nat Commun 2024-11-23

大型語言模型（LLM）技術為合成化學帶來了新機會。我們開發了一個基於LLM的反應開發框架（LLM-RDF），利用GPT-4簡化化學合成任務。這個框架包含六個專門的代理，能執行文獻搜尋、實驗設計、硬體執行等功能。我們還創建了一個網頁應用程式，讓化學家能用自然語言與自動化實驗平台互動，無需編碼技能。LLM-RDF在銅/TEMPO催化的醇類氧化反應中展現了其完整的合成開發能力，並在多種反應中證明了其廣泛適用性。 PubMed DOI

Suitability of large language models for extraction of high-quality chemical reaction dataset from patent literature.
大型語言模型在從專利文獻中提取高品質化學反應數據集的適用性。 J Cheminform 2024-11-27

這項研究探討如何利用大型語言模型（LLMs）從專利文件中提取高品質的化學反應數據，以解決人工智慧設計新分子的合成挑戰。結果顯示，這種自動化方法能增加26%的反應數據，優於以往的努力。此外，研究也指出反應挖掘中的挑戰並提出解決方案。分析顯示，先前的數據集存在不準確的問題，強調新管道在提升化學反應數據庫的數量和質量方面的潛力，未來可能促進更準確的合成預測模型。 PubMed DOI

SynAsk: unleashing the power of large language models in organic synthesis.
SynAsk: 釋放大型語言模型在有機合成中的力量。 Chem Sci 2024-11-27

大型語言模型（LLMs）顯著改變了自然語言處理（NLP）領域，尤其是在有機化學等專業領域。AIChemEco Inc. 開發的SynAsk是一個針對有機化學任務的LLM平台，能預測合成過程。它透過專門數據微調，並採用思考鏈方法，將知識庫與化學工具整合在問答格式中。功能包括化學知識庫、分子信息檢索、反應性能預測等，成為有機化學研究的重要工具。可至 https://synask.aichemeco.com 訪問。 PubMed DOI

Hierarchical Reaction Logic Enables Computational Design of Complex Peptide Syntheses.
層級反應邏輯促進複雜肽合成的計算設計。 J Am Chem Soc 2025-02-20

在電腦輔助合成規劃中，雖然有大量反應數據和先進演算法，但面對複雜目標如肽時，仍常遇挑戰。若能透過分層邏輯指導搜尋，明確指定不同階段的反應，這些演算法能在幾分鐘內設計出如萬古霉素和塞馬魯肽的合成路徑。雖然這些路徑不依賴文獻，但卻反映了人類專家的策略。這種方法結合保護基團策略和現實路徑定價，適用於固態或溶液模式，並利用C到N或N到C的肽延伸技術。 PubMed DOI

LLM-Driven Synthesis Planning for Quantum Dot Materials Development.
基於 LLM 的量子點材料開發合成規劃。 J Chem Inf Model 2025-03-12

大型語言模型在材料科學的應用大幅推進了新材料的開發。我們提出了一個新框架，利用這些模型來優化合成特定性質的量子點材料的實驗程序。這個方法結合了合成協議生成模型和性質預測模型，並基於開源的大型語言模型進行微調，使用我們的合成數據進行訓練。過程中，首先生成針對特定性質的合成協議，然後用性質預測模型驗證其有效性。我們的實驗中產生了六種合成協議，其中三個成功改善了多項性質，顯示出我們框架在合成規劃中的有效性及多目標優化的潛力。 PubMed DOI

Large language models open new way of AI-assisted molecule design for chemists.
大型語言模型為化學家開啟了AI輔助分子設計的新途徑。 J Cheminform 2025-03-25

最近，人工智慧在分子設計上有了新進展，讓合成化學家能更輕鬆地創造特定功能的分子。雖然已有多款AI分子生成器，但使用這些工具仍需專業知識。為了解決這個問題，我們開發了ChatChemTS，一個基於大型語言模型的聊天機器人，透過簡單對話幫助設計新分子，並自動生成獎勵函數。我們的研究展示了它在設計色素和抗癌藥物方面的能力。ChatChemTS已開源，並可在GitHub上獲得，網址是 https://github.com/molecule-generator-collection/ChatChemTS。這項技術讓更多人能輕鬆使用AI進行分子設計。 PubMed DOI

原始文章

站上相關主題文章列表