概览
AiZynthFinder 支持计算机辅助逆合成路线规划。其默认方法使用蒙特卡洛树搜索，从目标分子出发反向搜索可购买的前体。神经网络扩展策略利用已知反应模板库提出前体转化建议。因此，它是使用训练模型的规划工具包，而不是单一的独立预测模型。项目还记录了对其他搜索算法和扩展策略的支持。
在合成规划工作流程中，该工具可提供候选路线，供后续评估。文档所述命令行界面接受 SMILES 输入文件和配置文件；应用程序界面则提供了另一种使用算法的方式。运行搜索需要库存文件和训练好的扩展策略网络；训练好的过滤策略网络为可选项。README 链接了公开资源，并介绍了一个下载工具，该工具还会为任一界面创建配置文件。
已配置的库存定义了规划工作流程可用的前体清单，而扩展策略则在搜索期间提供基于模板的建议。解读提出的路线时应考虑这些输入。来源摘录并未证明实验室可行性、相较其他方法的规划准确性，或在特定目标类别上的性能。环境支持也取决于依赖项是否可用：README 指定 Python 3.10–3.12，并说明在满足这一条件时支持 Linux、Windows 和 macOS。仓库代码采用 MIT 许可证，但这并不能确定单独下载的模型或库存资源适用的条款。
主要功能
- 默认的蒙特卡洛树搜索会递归地将目标分子分解为可购买的前体。
- 神经网络扩展策略利用已知反应模板提出前体。
- 支持多种搜索算法和扩展策略，不局限于默认配置。
- 提供 `aizynthcli` 和 `aizynthapp` 界面；文档所述 CLI 工作流程接受配置文件和 SMILES 文件。
- 需要库存文件和扩展策略网络；训练好的过滤策略网络为可选项。
- 包含 `download_public_data`，用于获取公开资源，并为所提供的界面生成配置文件。
使用场景
- 建议的评估方式：针对代表性目标分子，使用选定的前体库存探索候选逆合成路线，然后另行评估这些方案。
- 建议的评估方式：对同一组目标比较文档所述的搜索算法或扩展策略，以考察它们对路线发现的影响。
- 建议的评估方式：在将其整合进研究流程之前，评估基于 SMILES 文件的 CLI 工作流程是否适合批量合成规划。
使用方式
- 从官方文档和仓库 README开始。在准备目标分子之前，先确认预期使用的界面和配置要求。
- 按照 README 中面向终端用户的安装流程，在 Python 3.10–3.12 环境中进行安装。根据所需功能选择文档所述的基础软件包或更广泛的安装方案；平台支持取决于依赖项。
- 获取库存文件和训练好的扩展策略网络。README 链接了公开规划资源和过滤策略资源。请查看它们各自适用的条款；过滤网络为可选项。
- 如适用，可使用文档所述的
download_public_data工具；也可按照文档准备所需资源和配置。该工具会为任一界面创建config.yml文件。 - 准备目标分子的 SMILES，并使用
aizynthcli；也可以使用配置文件启动aizynthapp。作为预期的评估步骤，应根据所选库存检查提出的路线，并独立评估其化学可行性。