ChemPath
开始使用

工作流程进度

步骤 2 / 4

50% 完成
分子编辑
2
路线设计
3
机理解析
4
条件优化

反应路线设计

智能推荐合成路线，对比收率与成本，优化反应步骤

推荐合成路线
基于当前分子结构，智能推荐最优合成策略

已为分子 C1=CC=CC=C1 生成 3 条可行路线

路线对比

经典Friedel-Crafts酰基化
85%
简单4小时
现代催化路线
92%
中等2小时
绿色化学路线
78%
简单1.5小时
推荐
经典Friedel-Crafts酰基化
3 步反应 · 总收率 85%

收率

85%

成本

低

时间

4小时

简单

反应步骤：

步骤 1
苯 + 乙酰氯中间体
条件: AlCl₃, 0°C1h
步骤 2
中间体 + H₂O乙酰苯
条件: 淬灭30min
步骤 3
乙酰苯目标产物
条件: 纯化2h

试剂

AlCl₃乙酰氯苯

反应条件

0-5°C无水条件惰性气氛

优势

  • ✓ 高选择性
  • ✓ 成熟工艺
  • ✓ 易于放大
路线 2
现代催化路线
2 步反应 · 总收率 92%
路线 3
绿色化学路线
1 步反应 · 总收率 78%

AI文献参考

Planning Chemical Syntheses with Deep Neural Networks and Symbolic AI

Marwin H. S. Segler et al. - Nature (2018)

开发了基于深度神经网络和符号AI的逆合成分析系统，能够自动规划复杂分子的合成路线。本系统的路线设计算法借鉴了该方法。

逆合成路线规划神经网络

A Graph-Convolutional Neural Network Model for the Prediction of Chemical Reactivity

Connor W. Coley et al. - Chemical Science (2019)

提出了图卷积神经网络模型预测化学反应性，能够预测反应产物和收率。本系统使用类似模型评估合成路线的可行性。

GCN反应性预测收率预测

Retrosynthetic Reaction Prediction Using Neural Sequence-to-Sequence Models

Bowen Liu et al. - ACS Central Science (2017)

应用序列到序列神经网络模型进行逆合成反应预测，实现了端到端的路线规划。本功能的多步合成路线推荐基于此技术框架。

Seq2Seq逆合成端到端
以上文献由AI系统基于当前功能和最新研究自动推荐