Thiết kế phân tử luôn là một trong những nhiệm vụ khó khăn nhất của ngành hóa học. Dù là tạo ra thuốc mới hay vật liệu tiên tiến, mỗi hợp chất đều phải được xây dựng qua chuỗi phản ứng được lên kế hoạch cẩn thận. Quá trình này đòi hỏi kiến thức chuyên sâu và tư duy chiến lược – thứ mà các nhà hóa học thường mất nhiều năm để rèn luyện.

Hai thách thức lớn trong tổng hợp hóa học

• Retrosynthesis (phân tích ngược): Bắt đầu từ phân tử mục tiêu rồi lần ngược lại để tìm nguyên liệu đơn giản và các lộ trình phản ứng khả thi. Đây là quá trình đầy quyết định chiến lược, như chọn thời điểm tạo vòng hay xử lý nhóm chức nhạy cảm.
• Cơ chế phản ứng: Giải thích cách phản ứng diễn ra từng bước qua sự di chuyển của electron. Hiểu rõ cơ chế giúp dự đoán phản ứng mới, nâng cao hiệu quả và giảm thử nghiệm tốn kém.

Các công cụ tính toán hiện nay có thể tạo ra nhiều lộ trình, nhưng thường thiếu trực giác để chọn ra phương án khả thi nhất.

Nhóm nghiên cứu do Philippe Schwaller (EPFL) dẫn đầu đã giới thiệu Synthegy – hệ thống kết hợp thuật toán tìm kiếm truyền thống với trí tuệ nhân tạo có khả năng diễn giải chiến lược hóa học bằng ngôn ngữ tự nhiên.

Theo tác giả chính Andres M Bran: “Với Synthegy, chúng tôi trao cho các nhà hóa học quyền được ‘nói chuyện’ trực tiếp với công cụ, giúp họ lặp lại nhanh hơn và xử lý những ý tưởng tổng hợp phức tạp.”

Cách hoạt động:

• Nhà hóa học nhập phân tử mục tiêu cùng chỉ dẫn bằng ngôn ngữ thường (ví dụ: “tạo vòng sớm trong quá trình” hoặc “tránh nhóm bảo vệ không cần thiết”).
• Phần mềm retrosynthesis tạo ra nhiều lộ trình phản ứng.
• Các lộ trình này được chuyển thành văn bản và ngôn ngữ AI sẽ đánh giá, chấm điểm theo mục tiêu người dùng, đồng thời giải thích lý do.

Synthegy cũng phân tích cơ chế phản ứng bằng cách chia nhỏ thành các bước di chuyển electron. Mô hình ngôn ngữ đánh giá từng bước, hướng tới cơ chế khả thi hơn, đồng thời có thể bổ sung chi tiết về điều kiện phản ứng hoặc giả định chuyên môn.

Trong thử nghiệm, Synthegy đã xác định được các lộ trình phù hợp với yêu cầu chiến lược phức tạp. Nghiên cứu mù đôi với 36 nhà hóa học cho thấy đánh giá của họ trùng khớp với hệ thống ở mức trung bình 71,2%.

Synthegy chứng minh rằng mô hình ngôn ngữ lớn có thể hoạt động ở nhiều cấp độ tư duy hóa học: nhận diện nhóm chức, đánh giá phản ứng riêng lẻ, đến phân tích toàn bộ lộ trình tổng hợp. Các mô hình lớn và tiên tiến cho kết quả tốt nhất.

Cách tiếp cận này mở ra triển vọng mới: tăng tốc khám phá thuốc, cải thiện thiết kế phản ứng và giúp công cụ tính toán trở nên thân thiện hơn với người dùng.

Bran nhận định: “Sự kết nối giữa lập kế hoạch tổng hợp và cơ chế phản ứng rất thú vị. Chúng tôi đang tạo cầu nối đó bằng giao diện ngôn ngữ tự nhiên thống nhất.”