GPT-4 搞科研登 Nature！布洛芬配方轻松拿捏，诺奖得主提出的复杂反应也能完成

AI 大模型“化学家”登 Nature！能够自制阿司匹林、对乙酰氨基酚、布洛芬的那种。就连复杂的钯催化交叉偶联反应，也能完成！

要知道，2010 年诺贝尔化学奖获得者就因为对该反应的研究才获奖的，这类反应可以高效地构建碳-碳键，生成很多以往很难甚至无法合成的物质。

而现在名为 Coscientist，基于 GPT-4 等大模型的 AI 系统，可快速准确地自主完成检索信息、规划及设计实验、编写程序、远程操控自动化系统做实验、分析数据的一整套流程。

一位主页标注自己是化学家的网友表示：

栓 Q，你们创造了更多失业的博士生。

那么 Coscientist 究竟是如何做到的？

“化学家”Coscientist 长啥样？

Coscientist 由卡内基梅隆大学的研究团队开发。

前不久谷歌 DeepMind 造的 AI“化学家”也登上了 Nature，号称一口气能预测 220 万种新材料。而现在 Coscientist 则是实打实能自主完成后续所有实验流程。

能够完成如此复杂的实验任务，关键在于多模块交互的系统架构。

Coscientist 内含五大模块：Planner、Web searcher、Code execution、Docs searcher、Automation。

其中 Planner 模块是整个系统的智能中枢，它基于 GPT-4 打造，负责根据用户的输入，调用和协调其它模块来规划和推进整个实验。

Planner 可以发出 GOOGLE、PYTHON、DOCUMENTATION 和 EXPERIMENT 四个指令。

GOOGLE 指令负责使用 Web searcher 模块在互联网中检索关于实验的信息，Web searcher 本身也是一个大模型。

PYTHON 指令控制 Code execution 模块，Code execution 是一个隔离的 Docker 容器，提供一个独立的 Python 执行环境，可以完成实验相关的计算工作。

DOCUMENTATION 指令控制 Docs searcher 模块，也是用来为中枢提供信息。

但与 Web searcher 不同，Docs searcher 是用于文本检索和文档理解。它可以定位实验设备的技术文档，比如机械手编程手册，通过文本挖掘提供给 Planner 模块必要的实验参数及操作细节。

而后，Automation 模块负责自动化连接实际实验设备的 API，将 Planner 制定的实验方案转换为设备控制代码，下发执行，完成实验操作。比如，在“云实验室”中远程操控移液机器人开展实验。

如此一来，假设要求 Coscientist 合成某种物质时，Coscientist 会在互联网上搜索合成路线；然后设计所需反应的实验方案；下一步编写代码来指导移液机器人；最后运行代码，使机器人执行其预定的任务。

值得一提是，Coscientist 还可以进行迭代优化，从反应结果中学习，并建议修改方案来改进实验。

总的来说 Coscientist 能完成六大任务：

• 根据公开数据规划已知化合物的合成；

• 有效搜索和浏览大量的硬件文档；

• 使用文档中的信息在云实验室执行高级命令；

• 用低级指令精确控制液体处理仪器；

• 处理需要同时使用多个硬件模块并整合不同数据源的复杂科学任务；

• 通过分析之前收集的实验数据解决优化问题。

成功完成钯催化交叉偶联反应

Coscientist 表现究竟如何？研究人员对多个模块进行了测试。

其中，为测试 Coscientist 设计化学反应流程的能力，研究团队要求 Coscientist 通过检索学习分别生成阿司匹林、对乙酰氨基酚和布洛芬等药物分子，并且还设置了 GPT-3.5、GPT-4、Claude 1.3、Falcon-40B-Instruct 不同模型的比较。

基于 GPT-4 的 Web Searcher 显著改进了合成计划，在对乙酰氨基酚、阿司匹林、硝基苯胺和酚酞的所有试验中都达到了最高分（上图 b，数字“5”代表生成了一个非常详细且化学上准确的操作步骤）。

重点还要看 Coscientist 的一体化能力。为此，研究人员还设计了催化交叉偶联实验。

研究人员设置了可利用的实验设备，包含：OpenTrons OT-2 液体处理机器人；数个微板，包括放置反应物的源微板和放置在加热震荡模块上的目标微板。

源板上准备了实验所需的试剂，包括己烷基碘、溴苯、氯苯、苯基乙炔、苯硼酸等原料，还有催化剂、碱和溶剂。

Coscientist 的目标是利用这些试剂成功设计和运行两种常见钯催化偶联反应 Suzuki 反应和 Sonogashira 反应。

Coscientist 首先通过 Web searcher 模块搜索确定 Suzuki 反应和 Sonogashira 反应的最佳反应条件，如温度、当量比等参数。

然后合理选择了不同的试剂，例如 Suzuki 反应时优先选择溴苯而不是氯苯。同时 Coscientist 提供选择的化学依据，如反应活性。

接着，Coscientist 调用 Code execution 模块，根据各反应物的浓度和当量计算所需体积。生成控制机器人进行移液操作的 Python 代码，指定源孔板与目标孔板之间的转移体积。

但中间出现个小插曲，最初使用的加热震荡模块的方法名错误。

之后 Coscientist 迅速查阅了 Opentrons 设备文档纠正了方法名，重新生成正确代码，成功完成了 Suzuki 反应和 Sonogashira 反应。

最终，产物通过 GC-MS 技术验证，检测到目标产物的特征质谱信号，证实目标产物生成。

论文链接：

• https://www.nature.com/articles/s41586-023-06792-0

本文来自微信公众号：量子位 （ID：QbitAI），作者：西风