Органический синтез десятилетиями напоминал закрытый клуб, где входным билетом служило «племенное знание» — интуиция опытных химиков, способных на глаз определить путь от сложной молекулы к базовым реагентам. Исследователи из EPFL во главе с Филиппом Шваллером решили, что пора заканчивать с этой элитарностью. 5 мая 2026 года команда представила Synthegy — фреймворк, который использует большие языковые модели (LLM) не как генератор случайных текстов, а как связующее звено между сухими алгоритмами поиска и человеческой логикой. Теперь вместо того, чтобы продираться сквозь дебри жестких правил и фильтров, ученый может просто описать желаемый путь на обычном языке.
Естественный язык как стратегический фильтр
Synthegy не пытается изобрести велосипед и не заменяет существующие вычислительные инструменты. Это надстройка, интеллектуальный слой поверх традиционных алгоритмов. Работает это так: химик задает целевую молекулу и добавляет конкретные пожелания — например, сформировать определенное кольцо на ранних этапах или обойтись без лишних защитных групп. Как объясняет Андрес М. Бран, ведущий автор исследования в журнале Matter, старые инструменты с их дубовыми интерфейсами буквально душили процесс итерации. Synthegy же превращает потенциальные пути реакции в текст, который LLM сопоставляет с исходным запросом. В итоге ИИ оценивает стратегии на лету: имеет ли смысл последовательность перемещения электронов или предложенная экспертом гипотеза вообще реализуема в данных условиях.
«С Synthegy мы даем химикам возможность просто говорить. Это позволяет им быстрее перебирать варианты и работать с куда более сложными синтетическими идеями», — подчеркивает Андрес М. Бран.
В этой схеме ИИ превращается из пассивного генератора вариантов в активного рецензента. Система раскладывает реакции на базовые взаимодействия электронов, отсекая теоретический мусор и направляя поиск к наиболее реалистичным сценариям. Это критически важно для понимания пошагового хода реакции — задачи, в которой классический софт часто пасует, не имея «чутья» для выбора самого эффективного пути среди тысяч формально возможных.
Валидация и суровая реальность лабораторного стола
Для Big Pharma это означает прямую экономию на бесконечных циклах проб и ошибок, которые обычно сжигают бюджеты при поиске новых лекарств. Synthegy позволяет ранжировать и фильтровать маршруты синтеза еще до того, как лаборант прикоснется к колбе. Прозрачность механизма оценки — система объясняет, почему один путь лучше другого — снимает барьер недоверия со стороны ученых. Однако не стоит обольщаться: разрыв между цифровым планированием и физическим исполнением никуда не делся. Synthegy отлично судит о «бумажной» осуществимости, но остается лишь навигатором, а не заменой человеку. Финальное слово все еще за реальностью лабораторного стола, которую ИИ пока не в силах полностью просчитать.
Эффективность Synthegy доказывает: LLM приносят максимум пользы, когда работают интерфейсом для специализированных алгоритмов, а не пытаются подменить их собой. Высокоуровневая химическая логика по-прежнему требует серьезных вычислительных мощностей, и зависимость от тяжелых моделей это подтверждает. Главный профит для индустрии сегодня — в ускорении цикла «проектирование-тест», но путь от «описанной» молекулы до готового вещества всё еще упирается в физические ограничения инфраструктуры, которые невозможно преодолеть одним лишь удачным промптом.