微软 RetroChimera 登上 Nature：两个模型集成再学习排序，专家盲测多步路线接受率 90%
9 月 21 日，微软研究院公布逆合成模型 RetroChimera，论文同日在 Nature 上线，题为《Chemist-aligned retrosynthesis by ensembling diverse inductive bias models》。做法是把两个归纳偏置互补的模型集成起来：R-SMILES 2 是基于 Transformer 的从头生成模型，直接从目标分子预测前体，灵活、能学到数据里的反应模式，但不受约束的生成容易幻觉；NeuralLoc 是图神经网络，把目标分子和反应模板都编码成图，选模板再预测作用位点，预测扎根在训练数据提取出的反应模式上，更准但受模板库覆盖范围限制。
两者的预测并不雷同，反而在不同反应类上各有专长——R-SMILES 2 在反应前后变化大的反应上表现更好，NeuralLoc 在低先例与局部变化的反应上更强。RetroChimera 让每个子模型对候选反应物集给出带秩次的学习型投票，两模型提出同一反应时票数相加，用学习排序产出最终排名。官方公布的盲测结果：博士级化学家对单个反应步骤的偏好优于子模型、既有方法，甚至优于文献中的真实反应；多步路线的专家接受率 90%，而子模型与基线只有 20–50%；十个高难度目标里成功九个，从头生成模型五个、模板编辑模型四个、强基线 NeuralSym 两个。
它改变了什么：把逆合成从「单一归纳偏置谁更强」的竞速，改成多种偏置的集成与再排序——官方称这让稀有但策略上关键的反应类型更不容易被漏掉，也是专家评分与模型输出对齐的关键。实现与权重以 MIT 许可在 GitHub 开源，并可从 Microsoft Foundry 模型目录取用。边界：论文与博客同属微软，尚未见到第三方独立复现；「接受率」由该公司邀请的化学家盲评给出，博客未写明盲评的人数与题目总数。