@rasyn_lab：今天，我们推出了Synthon 350M，我们的单步逆合成模型。Synthon 是目前公开报告中最强的……

今天，我们正式发布 Synthon 350M——一款单步逆合成预测模型。

在单次查询设定下，Synthon 是目前公开报道中该任务最强的模型。化学家通过组合简单分子来构建目标分子。逆合成正是这一过程的逆向推演：从目标分子出发，推算出需要组合哪些物质才能合成它。合成路径规划就是反复回答这个问题，逐步推导，直到剩余物质均为可采购的原料——而任何一步出错都会导致整个方案失效。Synthon 以排序列表形式呈现答案：三分之二的情况下，正确答案位列其首位推荐；九成情况下能进入前五名候选。

其工作机制如下：模型将产物分子读取为根节点对齐的SMILES字符串，从而能够从二十个不同起始原子角度分析同一分子，生成二十组独立的候选反应物集合。这些集合通过对数求和指数运算进行跨根节点池化——这意味着在多个视角下重复出现的反应物组合，其排名将高于仅在单一视角中被高度确信的组合。

我们在USPTO-50K基准数据集上对Synthon进行了评测。该数据集包含五万条来自美国专利文件的真实化学反应，其中五千零七条被保留用于测试，是逆合成模型领域公认的标准基准。以下数据可与已发表研究直接对比：

在隐藏反应类别信息的情况下，Synthon的Top-1准确率达到66.23%，Top-5准确率达91.41%。若提供反应类别信息，Top-1准确率可提升至74.12%。在无任何测试时增强处理的单次查询设定下，其Top-1准确率为62.67%。

Synthon现已在Marigold平台开放体验。本帖后续将附上该基准上所有已发布模型的完整对比数据。

我们的目标是实现化学自动化——这个支撑着医药、农业、电池、材料及大部分制造业的基础领域。当前整个领域仍受限于人工规划、执行和解读实验的速度，而规划正是首要环节。

对化学家而言，规划意味着探索目标分子的构建路径。在解决这个问题之前，后续所有工作都无法启动。你可以预测某个化合物能与靶点结合、具有良好溶解性且无毒，但除非有人在实验室中真正合成出来，否则一切都无意义。每种药物、每种农药、每种聚合物、每种电池电解质都需要有人首先找到合成路径——而对于复杂分子，这个探索过程往往需要耗费数周时间，且经常走入死胡同。

因此我们首先攻克这一环节。Synthon是我们实现该目标的首个落地模型，后续还将推出更多工具。

操作方式简单直观：输入目标分子，即返回按优先级排序的候选反应物组合列表。

提供两种运行模式：对分子进行单遍扫描约需0.4秒，Top-1准确率为62.67%；二十遍扫描并池化处理需4-6秒，Top-1准确率达66.23%——计算量增加十倍换来3.5个百分点的提升。这种权衡在单分子深度分析时颇具价值，但对于库筛场景可能并非最优选择。

若已知目标反应类型，可在输入分子时同时提供反应类别信息，此时Top-1准确率可提升至74.12%。

Synthon现已登陆Marigold平台。

http://app.rasyn.ai