Resumen: La planificación de la retrosíntesis permite el descubrimiento de rutas sintéticas viables para las moléculas objetivo, desempeñando un papel crucial en dominios como el descubrimiento de fármacos y el diseño de materiales. La planificación retrosintética de varios pasos sigue siendo computacionalmente desafiante debido a los espacios de búsqueda exponenciales y los costos de inferencia. Mientras que los modelos de idiomas grandes (LLM) demuestran capacidades de razonamiento químico, su aplicación a la planificación de síntesis enfrenta restricciones sobre la eficiencia y el costo. Para abordar estos desafíos, introducimos AOT*, un marco que transforma la planificación retrosintética integrando vías de síntesis química generadas por LLM con búsqueda sistemática y de árboles. Con este fin, AOT* mapea atómicamente las rutas de síntesis completas generadas en componentes de árboles o árboles, con un diseño matemáticamente sólido de la estrategia de asignación de recompensas y la ingeniería de contexto basada en la recuperación, lo que permite que los LLM naveguen eficientemente en el espacio químico. La evaluación experimental en puntos de referencia de síntesis múltiples demuestra que AOT* logra el rendimiento de SOTA con una eficiencia de búsqueda significativamente mejorada. AOT* exhibe tasas de resolución competitivas utilizando 3-5 $ veces $ Menos iteraciones que los enfoques basados en LLM existentes, con la ventaja de eficiencia más pronunciada en objetivos moleculares complejos.
Publicado Originalme en export.arxiv.org El 25 de septiembre de 2025.
Ver Fuente Original
