微软研究院宣布逆合成模型 RetroChimera 发表于 Nature：模型开源，论文报告 10 个高难度分子 9 条路线获专家认可

2026 年 9 月 21 日 23 时 32 分（北京时间），微软研究院官方 X 账号 @MSFTResearch 发帖称：定制分子正在推动医药、材料与农业领域的进展，但生产它们既慢又贵；一篇新发表的 Nature 论文重点介绍了预测模型 RetroChimera，称其有助于加速化学合成，帮助研究人员探索范围更广的分子。

帖子附带的短链接指向微软研究院博客。同日上线的博客文章与 Microsoft Source 专题补充了更多细节：题为 Chemist-aligned retrosynthesis by ensembling diverse inductive bias models 的论文于 9 月 21 日发表在《Nature》上，页面引用条目以 Maziarz, K.、Liu, G.、Pultar, F. 等署名；博客宣布，模型实现与权重已在 GitHub 上以 MIT 许可证开放。

微软 Source 专题报告的盲测数字更为具体：在专门挑选、用于对比各模型的 10 个高难度目标分子上，RetroChimera 给出的合成路线有 9 条被专家完整接受，其他模型为 2～5 条；在 RetroChimera 的首选建议与文献已记载的制法之间二选一时，9 名来自微软和大型制药公司的博士级有机化学家约 64% 选择了前者。

同一天：一条帖子、一篇论文、一次开源

截至北京时间 9 月 22 日凌晨检索，这条帖子获得 48 次点赞、10 次转发和 3,798 次浏览。

博客在「At a glance」部分概括了论文内容与开源动机：论文描述了模型架构和大量验证研究，包括模型召回稀有反应类型的能力，以及在专有数据集上的成功零样本迁移与微调；开源的目的在于帮助研究者加快开发具药用价值的分子和先进材料。正文还邀请化学社区试用模型、反馈它的长处与短板，以便后续改进。

论文预印本此前已公开：GitHub 仓库的引用信息显示，预印本编号为 arXiv:2412.05269，作者名单包括 Krzysztof Maziarz、Guoqing Liu、Marwin Segler 等。

两个互补的子模型，加一套「学出来的投票」

逆合成（retrosynthesis）是从目标分子出发、一步步把它拆解成更简单前体的规划方法，终点是可购买的原料分子。博客把它比作国际象棋、围棋这类策略棋局：候选着法（单步拆解）数量极大，且对一个给定分子哪些着法可行并不显然。Microsoft Source 专题回顾，几十年来这种组合复杂度让研究者认为逆合成难以可靠地自动化，近年机器学习的进展正在挑战这一假设。论文摘要则指出，现有 AI 模型仍难以预测出现频率低但战略上关键的反应，也容易给出与化学家预期不符的错误预测。

RetroChimera 由两个强项互补的子模型构成。R-SMILES 2 是基于 Transformer 的从头生成模型，直接从输入分子预测前体，能从数据中学习反应模式，但不受约束的生成也更容易产生幻觉；NeuralLoc 基于图神经网络（GNN），把目标分子和反应模板都编码为图，先选择模板、再预测模板作用的位置，预测扎根于训练数据中的反应模式，更准确可靠，但遇到模板库没覆盖的反应就受限。博客称，两者擅长的反应类型不同：R-SMILES 2 在反应前后结构变化大的反应上表现更好，NeuralLoc 在优先级较低、变化更局部的反应上占优。

把两者连起来的是一套通过学习得到的集成策略：每个模型对每个预测出的反应物组合投出与排名挂钩的票，当两个模型提出同一反应时票数相加；通过学习在不同排名位置上该信任谁，集成结果得以同时利用两者的互补优势。微软 Source 专题称，与搜索算法配合后，RetroChimera 可为目标分子提出有希望的合成路径。

盲测对比：单步拆解与整条路线

验证在单步和整条路线两个层面进行。博客称，盲测中博士级专家化学家更偏好 RetroChimera 对复杂分子给出的单步拆解，胜过它的两个子模型、更成熟的既有方法，甚至胜过测试集里记录的文献路线；《Nature》摘要亦称，在成对与逐项两种评测设置下，有机化学家对 RetroChimera 预测的偏好都超过已发表的文献反应和其他 AI 模型。摘要还报告，在跨多个数量级数据规模的实验中，该模型优于主流基线，在训练分布之外保持稳健，每个反应类别只需极少样本即可学会。

整条路线层面的差距更直观。博客配图列出了各模型在同样 10 个高难度目标上的完整接受路线数：RetroChimera 9 条（90%），子模型 R-SMILES 2、NeuralLoc 分别为 5 条和 4 条，基线 NeuralSym 为 2 条。博客解释，一条路线中只要一步预测出错，整条路线即告无效。

GSK 与诺华参与：在专有数据上测迁移

Microsoft Source 专题指出，药企等行业往往持有与公开训练数据集不同的专有化学数据，这是 AI 合成规划落地面临的现实障碍。论文摘要在这一方向报告的结果是：RetroChimera 在两家大型制药公司的内部数据集上展示了零样本迁移与微调，在分布偏移下仍能稳健泛化。

专题点名了合作方：研究来自微软研究院与包括 GSK、诺华（Novartis）在内的合作者，微软称两者都是全球药物研发前沿企业。专题并具体说明，预训练的 RetroChimera 可以较容易地适配 GSK 的内部数据与专有化学数据，意味着这类方法有望用于真实药物发现难题，而不只是基准数据集和学术任务；在小分子药物、材料科学与精细化学品开发等其他真实研究环境中，定制也可能因此更快、更便宜。以上迁移与合作细节均为微软与研究团队的报告口径。

权重可下载，警告也写得很具体

代码层面，GitHub 仓库提供 pip 安装与推理示例；主力 checkpoint（模型权重文件）在 Pistachio 反应数据上训练，另提供 USPTO-50K 和 USPTO-FULL 上训练的较弱 checkpoint 供基准测试，还有一个与 SMILES（以文本串表示分子结构的记法）子模型同架构的前向模型 checkpoint。博客称，模型也可通过 Microsoft Foundry 获取。

仓库同时以醒目警告写明使用边界：模型并非没有错误、可能产生幻觉，对训练分布外的输入尤其如此；输出列表中排名越靠后的反应越可能是幻觉，除非配合严格过滤，建议每个输入最多取 5～10 个反应；任何预测在用于真实场景之前，都必须经过化学专家的风险评估和独立验证。

局限清单同样具体：checkpoint 的训练数据截至 2023 年，不含更晚的化学进展；Pistachio 数据集含噪声，预测应对照相关文献核实；对与训练分布差异大的化学，比如专业学术化学和天然产物化学，性能可能下降；建议搭配反应可行性模型并使用共识模式；面向特定领域应用时，建议在电子实验记录（ELN）数据或文献反应上微调。

下一步：从基准测试走进真实研发

Microsoft Source 专题称，研究人员计划在真实研发场景中评估该模型，从基准测试走向药物发现流程，长期目标是让 RetroChimera 成为研究者从分子设计走向可行实验室制法的工具箱的一部分。博客预计，随着实验室自动化程度提高，合成规划与执行的闭环自改进系统会进一步加速——这仍属微软的预期。

GitHub 把这次发布称为 RetroChimera 1，明确面向研究与试验，并请用户在模型对某个类药物分子失效时写信到 retrochimera@microsoft.com，以便团队在下一版模型中改进。

参考链接

• Microsoft Research 在 X 上的发帖（2026-09-21）
• 微软研究院博客：Improving synthesis prediction of small molecules at scale with RetroChimera
• Nature 论文：Chemist-aligned retrosynthesis by ensembling diverse inductive bias models
• Microsoft Source 专题：RetroChimera: New research advances AI-assisted molecule synthesis
• GitHub 仓库 microsoft/retrochimera
• arXiv 预印本 2412.05269
• Microsoft Foundry 模型目录：RetroChimera