OpenAI的GPT‑5.4驱动近自主化学家显著提升Chan‑Lam偶联产率

背景

OpenAI 长期探索 AI 与科学实验的协同。此前 GPT‑5 已在细胞‑自由蛋白合成、理论物理等领域展示了实验辅助能力。此次与高通量化学平台 Maria（由 Molecule.one 开发）合作，聚焦药物化学中的 Chan‑Lam 偶联反应——一种常用于构建 C‑N 键的关键反应，却因对原料的选择敏感，导致产率普遍偏低。

工作流程

1. 目标设定：研究团队向 GPT‑5.4 提出“提升 Chan‑Lam 偶联产率”的开放式任务。
2. 提案生成：模型在检索文献、分析已有数据后，生成数千条实验方案。
3. 人类筛选：科研人员依据评分系统挑选出 4 条最有潜力的方案进入实验。
4. 实验执行：Maria Lab 将选定方案转化为微升级别的高通量实验，累计运行 10,080 组反应。
5. 结果迭代：GPT‑5.4 根据初轮数据自动设计第二轮更聚焦的实验，并提出助剂替代方案。

关键发现

• TEMPO 作为助剂：模型首次建议在原始体系中加入温和氧化剂 TEMPO，显著提升了原始低产率的底物。
• 产率提升：在两轮实验后，88% 的硼酸和 83% 的磺酰胺底物产率均有提升，整体平均产率从 16.6% 上升至 25.2%。
• 更经济的替代：后续实验表明 4‑羟基‑TEMPO 可实现相近效果，成本更低。
• 规模验证：独立化学家在台式实验台上复现了 14 组代表性底物，11 组产率提升，超过两倍的情况占 8 组，证实了微升筛选结果的可迁移性。

影响与意义

• 加速药物合成：更可靠的 Chan‑Lam 偶联为药物研发提供了更宽广的分子空间，尤其是含磺酰胺基团的抗癌、抗菌等药物。
• 验证 AI‑实验闭环：本次工作展示了 AI 从文献综述、假设生成、实验设计、数据分析到后续提案的完整闭环，但仍需人类在关键决策和安全把控上参与。
• 风险治理：项目严格限定在正当的药物合成场景，模型已通过英国 AI 安全协会评估，并内置化学/生物危害过滤。

展望

OpenAI 表示，后续将扩大底物范围、深入机理研究，并邀请更多独立实验室复现，以检验该方法在更广化学体系中的通用性。长期目标是让 AI 成为科研团队的可靠伙伴，在假设生成、实验规划、结果解释等环节持续提供增值，而非单纯的工具。

“高通量实验与现代 AI 的结合打开了科学发现的新前沿。”——Tim Cernak, 密歇根大学药物化学副教授