URSA：告别“盲目搜索”，开启化学感知的逆合成评估新时代

TL;DR

在 AI 制药领域，设计合成路径（Retrosynthesis）就像是下围棋：目标明确，但每走一步都要符合规则。长期以来，我们评价 AI 合成算法的标准非常低——只要它能连到现成的原料就行（Solvability）。但这忽略了一个致命问题：AI 经常为了强行“通关”而编造出化学上不可能发生的反应。

近日发布的 URSA 框架，通过引入 Solv-2 级别的化学合理性校验，彻底拆穿了这些“幻觉路径”。研究表明，目前流行的 LLM (如 GPT-5 等) 在面对真实药用分子合成任务时，化学严谨性仍显著逊于专业的传统模型。

痛点深挖：为什么“路径通达”是一个虚假指标？

传统的逆合成评价主要看两个指标：

1. Top-K 准确率：看预测是否和实验数据一模一样（太保守，扼杀了创新的可能）。
2. 库存通达率 (Stock Termination)：看能不能连到买得到的原料（太激进，导致模型通过幻觉反应作弊）。

就像下图中展示的那样，USPTO 数据集中充斥着大量缺乏中间体细节的“跳跃式反应”，导致模型学到了错误的逻辑。

核心机制：化学感知的分层评测

URSA 将评价体系从 Solv-0（格式正确）提升到了 Solv-2（化学合理）。其核心“判官”是 ChemCensor。

它是如何工作的？

1. 标准化路径：使用 RetroCast 将各种格式的路径转统一。
2. 子树生成 (Subtree Generation)：通过合并/展开反应步骤，消除由于数据记录习惯（有些记录省略了去保护步骤）带来的不匹配。
3. 反应中心提取：从 RC1 到 RC5，由浅入深提取反应周围的拓扑环境。
4. 先例匹配：在数百万规模的专利反应库中搜索，如果这个“反应中心及周边的官能团环境”从未被观察到，则判定该步反应为“幻觉”。

实验结果：LLM 的“化学自信心”陷阱

研究者对比了包括 GPT-5.5、Claude 4.8 Oups 在内的 frontier LLMs 和传统 CASP 工具。

1. 判定能力的碾压

在判定单步反应是否合理时，ChemCensor 的准确率达到 0.96，而即便最强的 Gemini 3.1 也只有 0.83。更严重的发现是，所有 LLM 都倾向于“盲目乐观”：它们对错误反应的查出率（Recall for non-plausible）极低，这会导致合成树在搜索初期就陷入万劫不复的错误分支。

2. 实战战绩比较

在针对真实药物分子（URSA-drugs-2026）的测试中：

• RetroChimera-MCTS：拿下了 60% 的 Solv-2 合理路径。
• GPT-5.5：虽然格式正确率极高（Solv-0），但最终合理率仅为 35%。
• 代价论：传统模型的搜索成本不到 1 美元，而调用顶级 LLM 往往需要花费百倍的 API 费用，且效果更差。

深度洞察：为什么 LLM 在逆合成上会掉队？

论文指出一个重要现象：全局一致性的脱节。 LLM 也许能在局部单步反应中给出一个不错的解释，但逆合成是“长程约束”任务。一个极小的局部选择错误，在经过多步传播后，会积累成逻辑崩溃。当前 LLM 本质上是基于概率的下一个词预测，缺乏像 MCTS（蒙特卡洛树搜索）那样的全局前瞻评价能力。

总结与局限

URSA 为化学界提供了一个公正的“准考证”。它告诉我们：合成路径不仅要通，更要科学。

• 优点：通过确定性规则与庞大的先例库结合，极大地降低了模型幻觉的影响。
• 局限：目前的评价停留在 Solv-2。真实的 Solv-3（实验可执行性）还需要考虑收率、溶剂、催化剂和分离成本。

对于未来的研究，将传统搜索算法的稳定性和 LLM 的战略直觉相结合，并置于 URSA 这样的严苛框架下训练，或许才是通向“全自动药物合成”的正确路径。