Syndirella：以合成导向的片段延伸把单个母核扩展出5085个候选分子
牛津大学 OPIG、Diamond Light Source 与 IBM Research 在 Chemical Science 发表 Syndirella，以合成导向的片段延伸（Synthesis Directed Elaborations）把可采购反应物按 SMIRKS 反应规则组合成候选分子。
推荐理由：文章拆解了以可采购反应物为导向的片段延伸流程，并给出合成成功率与姿态偏差的具体数据。
#逆合成
药化猩球精选AI 评分7878
智药邦精选AI 评分7474 北京大学来鲁华团队在Nat Mach Intell发表SynCraft，用大语言模型引导分子精准编辑
北京大学来鲁华教授团队提出基于大语言模型的分子可合成性优化方法SynCraft，对难合成的高价值分子做最小图编辑而非从头生成，研究发表于Nature Machine Intelligence。
推荐理由：研究用大模型推理加最小图编辑挽救难合成分子，并给出与基线方法的量化对比和失败边界。
AI药物设计实验室精选AI 评分7070 俄亥俄州立大学MADDIE多智能体药物发现系统：50个靶点各交付100个候选分子
俄亥俄州立大学Xia Ning团队提出MADDIE多智能体药物发现系统，由中央Orchestrator调度HitIdentifier、LeadOptimizer、Evaluator和Synthesizer四个专职智能体，在50个蛋白靶点上均交付100个满足对接评分、类药性、合成难度、毒性预测等计算阈值的候选分子。
推荐理由：论文用50个靶点的对照与消融，说明中央调度主要减少达到同一计算目标所需的搜索量。
DrugAI精选AI 评分7474 微软 Retrochimera 组合 Transformer 与 GNN 提升逆合成分析
微软研究院团队在 Nature 发表 Retrochimera，将逆合成 Transformer R-Smiles 2 与图神经网络 Neuralloc 组合，在约三分之二的化学家盲评比较中其建议优于参考数据集反应。
推荐理由：微软团队把 Transformer 与图神经网络组合成逆合成工具，并用化学家盲评和药企内部数据检验其表现。
DrugAI精选AI 评分7474 SynCraft：用LLM编辑分子改善可合成性，成果发表于Nature Machine Intelligence
北京大学来鲁华课题组在 Nature Machine Intelligence 发表 SynCraft，让大语言模型提出原子和化学键级编辑指令，由 RDKit 执行、SimpRetro 搜索逆合成路线，以改善生成分子的可合成性。
推荐理由：研究提出让大模型输出原子级编辑指令、由化学软件执行并检验逆合成的分子可合成性优化方法，为生成分子的后续改造提供可复用流程。
AI药物设计实验室精选AI 评分6969 RouteFlow 在连续合成路径潜在空间中设计可合成分子
RouteFlow 将分子优化转化为连续合成路径潜在空间中的搜索，为解码成功的候选分子同时给出由构建块和反应模板组成的合成路线。研究用 270,423 个 Enamine 构建块、115 个反应模板和最多五步路线训练路线自编码器，并以奖励引导流匹配加循环一致性约束进行优化。
推荐理由：该预印本把合成路线编码为连续潜在空间做分子优化，为兼顾性质与可合成性提供了一种可迁移的搜索思路。
Andrés M. Bran精选AI 评分5858 研究者评微软 RetroChimera：单步逆合成模型中的强方法
研究者 Andrés M. Bran 对微软研究院发表于 Nature 的逆合成预测模型 RetroChimera 做了评测，认为它在单步模型类别中是较强的方法。他强调预测必须经过实验室验证，而验证的前提是先把分子合成出来。微软研究院的原帖称该模型用于加速化学合成、帮助研究者探索更广泛的分子。
推荐理由：作者以实测评测视角指出逆合成模型需先合成再验证，并给出单步模型类别中的定位参照。
Philippe Schwaller精选AI 评分8282 SynthEx：面向复杂天然产物的策略优先合成规划智能体
Schwaller 团队发布预印本 SynthEx，一个以语言模型生成原子级图编辑断键、由多智能体分工提出策略、扩展路线并模拟修复的合成规划器。在 1,098 个无报道全合成的复杂天然产物上，近乎穷举的 AiZynthFinder 解出 13.8%，SynthEx 达到 63.9%，分子越复杂差距越大。
推荐理由：该工作用智能体规划复杂天然产物合成路线，并以专家盲评比较机器与人类步骤，提供了可参照的评测设计。
Marwin Segler精选AI 评分5858 Marwin Segler 报告用于合成步骤生成的推理模型
Marwin Segler 报告团队推出面向合成步骤生成的推理模型，针对该任务采用专门的思维链监督微调（SFT on COT）与可验证奖励强化学习（RLVR）。其表示语言模型在处理结构与丰富自然语言并存的化学任务（如合成）时带来新能力。
推荐理由：作者披露其合成路线生成推理模型采用SFT与RLVR训练，为化学语言模型的能力边界提供一手说明。
已经到底了