OpenAI在科学领域的工作源于一个简单的信念：先进的人工智能可以成为科学家的强大伙伴，帮助他们探索更多的想法，连接遥远的概念，设计更好的实验，以及加速对人类有益的发现。我们已经分享了早期模型在数学领域产生新结果的例子，包括单位距离问题的研究，在理论物理学中，通过关于胶子振幅的新结果，以及在生物学中，GPT-5帮助降低了自动化实验室中无细胞蛋白质合成的成本。我们还推出了GPT-Rosalind，一个专门为支持生命科学研究和药物发现工作流程而构建的模型。这个项目将这一轨迹扩展到医药化学领域，在这里，进展不能仅仅通过推理来衡量。一个假设需要在实验室中通过真实的分子、仪器和实验噪声来实践。通过与Molecule.one的合作，我们将GPT-5.4连接到Maria——一个与高通量实验室集成的主动化学AI，用于自主研究，并给它一个开放式目标：改善几个重要反应类别中的一种。该系统生成研究提案，设计并进行实验，分析实验数据，并提出后续实验。人类仍然参与其中，设计引导和评分提示，选择要测试的提案。他们还对实验计划进行了有限的修正，协助基本实验室操作，并独立验证最终结果。最有前景的提案OAI-M1-03专注于一个困难但有用的Chan-Lam耦合反应，这是化学家用来形成碳-氮键的反应。从改善Chan-Lam耦合以进行工艺化学的开放式目标开始，GPT-5.4独立识别了主要磺酰胺作为一个具有挑战性且高价值的底物类别，并建议温和氧化剂，包括TEMPO，可能改善反应。在Maria实验室进行的两轮实验中，这个想法产生了显著的改善。在优化条件下，测试的88%的硼酸和83%的磺酰胺的测量产率都有所提升。平均产率从16.6%上升到25.2%，而产率超过30%的反应份额从15.6%增加到37.5%。人类化学家随后在台式规模重复了代表性反应。那些实验确认了微升尺度的结果，显示出14对底物中11对的产率更高，在大多数情况下增加了两倍以上。这一点很重要，因为医药化学家需要的不仅仅是在微升筛选实验中有效的反应，还需要在药物发现过程中使用的实际实验室工作流程。在医药化学领域，这方面的进展尤其令人兴奋，因为合成通常是药物发现中的重大瓶颈：科学家只能测试他们能够制作或以其他方式获得的分子。磺酰胺组在抗癌药物、抗微生物药物和利尿剂等广泛的治疗领域中有出现，但主要磺酰胺与硼酸的Chan-Lam耦合在历史上产率较低。让这种反应形式更可靠可能为医药化学家提供更广泛和更实用的方法来生产和探索潜在的有用分子。虽然这仍然是一个早期结果，但它提供了我们正在努力实现的更广泛方向的另一个具体例子：AI系统可以成为科学家在研究过程中的宝贵伙伴。该模型回顾了文献，提出了一个意想不到的想法，帮助设计和分析实验，并得出人类化学家可以评估的科学发现。Maria实验室：Molecule.one的专门高通量实验室，在OAI-M1-03中进行了10,080次反应。化学问题的重要性：有机化学是所有小分子药物以及农业、电子和材料科学产品的基础。当反应能够在许多不同的起始材料中可靠地产生相同类型的化学键时，反应尤其有用。当反应产生低产率或太多不需要的副产物时，化学家可能不得不放弃其他看似有前景的分子，或者花费大量时间开发不同的路径。这使得合成成为药物发现中的主要瓶颈：科学家通常只能测试他们能够制作或以其他方式获得的分子。Chan-Lam耦合在医药化学中是有用的，因为它形成碳-氮键，这在药物中很常见。然而，该反应并非对每种类型的分子都同样有效。特别是，主要磺酰胺和硼酸的耦合在历史上产率较低。磺酰胺是一类重要的分子，出现在用于肿瘤学和传染病的药物中。使这一反应更加可靠可能为医药化学家提供更广泛和更实用的途径，以生产和探索潜在的有用分子。