高阶等变图神经网络：攻克金属催化过渡态生成的AI瓶颈
精确构建复杂三维分子架构，始终是计算化学领域的核心挑战📚。过渡态（TS）作为决定反应动力学特征的瞬态构型，其获取过程长期以来一直是解析反应机理的最大阻碍。生成式人工智能技术为过渡态的自动化计算提供了全新的解决思路，但现有方法大多仅适用于简单体系，很难应对过渡金属催化这类高复杂度的化学环境⚙️。在本研究中，研究人员打造了一套通用的过渡态生成一体化方案🔍：该方案包含 UniTS‑Lib 数据集，其中收录了 4391 个高质量的过渡态几何构型，这些结构涵盖了 42 种化学元素以及多样的化学反应类型；与此同时，团
AI 逆合成困境：数据并非万能药
2024 年，AlphaFold 已能解析人类蛋白质组中绝大多数的结构，然而在有机合成规划这一「理论上更契合 AI」的领域，纯数据驱动的路径却遭遇了瓶颈。症结并非数据规模不足，而是我们严重低估了合成化学里「隐性知识」的深度。标签：AI 逆合成 | 化学信息学 | 专家知识 | 数据质量 | 机器学习首先明确结论：迄今为止，仅靠反应数据训练的 AI 逆合成规划器，仅能应对简单的目标分子。一旦面对拥有多个立体中心的复杂天然产物，它们便束手无策。这与 AI 在其他领域的卓越表现形成强烈反差：有机逆合成的搜索空间