Para peneliti di EPFL telah mengembangkan Synthegy, sebuah kerangka kerja AI yang memungkinkan kimiawan memandu sintesis molekul kompleks menggunakan instruksi bahasa yang sederhana. Sistem ini menggabungkan algoritma tradisional dengan model bahasa besar untuk mengevaluasi dan memeringkat jalur reaksi. Sistem ini juga membantu dalam memahami mekanisme reaksi, yang berpotensi mempercepat penemuan obat.
Menciptakan molekul kompleks untuk obat-obatan atau material secara tradisional menuntut keahlian bertahun-tahun dalam retrosintesis, di mana kimiawan bekerja mundur dari senyawa target untuk mengidentifikasi bahan awal dan rute reaksi. Synthegy, yang dikembangkan oleh tim yang dipimpin oleh Philippe Schwaller di EPFL, mengubah hal ini dengan mengizinkan kimiawan memasukkan instruksi bahasa alami, seperti membentuk cincin di awal atau menghindari gugus pelindung. Perangkat lunak standar menghasilkan jalur, yang kemudian diberi skor dan dijelaskan oleh AI agar sesuai dengan tujuan tersebut, sebagaimana dijelaskan dalam makalah yang diterbitkan di Matter. Andres M. Bran, penulis pertama, mengatakan, 'Dengan Synthegy, kami memberikan kekuatan kepada kimiawan untuk hanya berbicara, memungkinkan mereka melakukan iterasi jauh lebih cepat dan menavigasi ide-ide sintetis yang lebih kompleks.' Kerangka kerja ini menerapkan penalaran serupa pada mekanisme reaksi, memecahnya menjadi pergerakan elektron dan mengevaluasi kelayakan di bawah kondisi yang ditentukan. Dalam studi double-blind dengan 36 kimiawan yang memberikan 368 evaluasi, penilaian sistem cocok dengan penilaian manusia sebanyak 71,2% dari waktu tersebut. Model bahasa yang lebih besar unggul dalam menganalisis gugus fungsi dan rute lengkap. Bran menambahkan, 'Hubungan antara perencanaan sintesis dan mekanisme sangat menarik: kami biasanya menggunakan mekanisme untuk menemukan reaksi baru yang memungkinkan kami menyintesis molekul baru.' Kontributornya termasuk National Centre of Competence in Research Catalysis dan b12 Labs. Referensi jurnal tersebut adalah Andres M. Bran et al., Matter, 2026; DOI: 10.1016/j.matt.2026.102812.
