AI for Science 爆发:AI 化学突破进化,Claude 击败化学软件 ChemDraw

Anthropic 用 20 个 ChemRxiv 预印本里的化合物做了一次盲测：在 NMR 化学位移、多重性、耦合常数三项上，Opus 4.7 全面追平或反超 ChemDraw 25.0.2 和 MestReNova 17.0.0，还从一维谱 + 质谱反推出了结构——后者是专用软件做不了的事。

Anthropic 把 Claude 送进了化学实验室

6 月 5 日，Anthropic 内部化学家 David Kamber 发布报告《How Claude performs on NMR prediction and structure elucidation》。

测试对象是三个 Claude 模型：Opus 4.7、Opus 4.6、Sonnet 4.6。对手是两款摆在几乎每个化学家桌面上的专业软件：ChemDraw 25.0.2 和 MestReNova 17.0.0。

战场选在 NMR（核磁共振）谱图。合成一个化合物后，确认手里做出来的是不是目标分子，靠 NMR。把谱图里每个峰对应到结构里每个原子，是合成化学最耗时的环节之一。

让 Claude 接管谱图分析，是 Anthropic AI for Science 计划扩到化学的第一份公开工作。

读一张 NMR 谱：三层信息，两个方向

一张 NMR 谱图是一列峰，每个化学上不等价的氢或碳一个峰，峰的位置被周围原子推移。看懂它要同时读三层信息。

化学位移（chemical shift，单位 ppm）：峰在谱图上的位置，反映原子所处的化学环境。预测氢谱和碳谱位移，是最基础的一关。

多重性（multiplicity）：一个氢信号的裂分形状——单峰、双峰、三重峰等，由相邻氢的数目决定。

耦合常数（J-coupling，单位 Hz）：裂分出来的子峰之间的间距，衡量两个核通过化学键相互作用的强度。

测试沿两个方向展开。正向预测（structure → NMR）是日常活：画出预期结构，预测谱图，再和实测对照——ChemDraw 和 MestReNova 就干这个。

逆向预测（NMR → structure）更难：给一张谱图，反推结构，需要专家级推理判断哪些片段存在、怎么连接。ChemDraw 完全没有逆向能力，MestReNova 能把峰指派到已知结构，但不会从峰列表生成候选结构。

评分协议决定可信度：锁样本、匈牙利匹配、跑三次

结论可不可信，全压在评分协议上。

为避免选择偏差，化合物在生成预测前就被锁定。来源是 ChemRxiv 上的合成化学预印本：化学家逐篇阅读，从补充材料里取每篇第一个完整表征、数据自洽的新化合物。

排除以旋转异构体混合物形式报告的样本，手动转录峰列表，提取 SMILES、¹H 和 ¹³C 峰列表、NMR 溶剂。正向集 20 个、逆向集 15 个，各自独立抽取。

正向集是四类骨架各五个：P1 氯哒嗪（DMSO-d₆ 里慢交换的 NH）、P2 Boc-N-芳基马来酰亚胺与 N-Boc 烯酰胺、P3 螺酮（带苯甲酰甲基或乙酰基侧链）、P4 α-硅基甲磺酰胺（屏蔽的硅-α 碳）。每类专门考一种 NMR 难点。

每个工具拿到一个 SMILES，要在原文献的溶剂里预测 ¹H 和 ¹³C 位移，带多重性和耦合常数。三个 Claude 模型每个化合物各跑 3 次以表征输出波动；ChemDraw 和 MestReNova 是确定性的，每个化合物跑 1 次。

预测峰与实验原子用最小 |Δδ| 做匈牙利一对一指派。宽于 0.3 ppm 的 ¹H 多重峰从位移误差里剔除，保留用于多重性评分。最终对固定分母——401 个 ¹H 原子、225 个 ¹³C 原子——报告 MAE、RMSE、中位 |Δδ|。

核心指标是落在容差窗内的原子比例：¹H ±0.20 ppm、¹³C ±1.0 ppm。

跑三次是为了对付波动。逐化合物的胜者在 20 个样本间频繁易主，单次评测会严重误报胜率；而 Opus 4.7 的 run-to-run 波动小于它和下一名的差距。

正向预测：位移、多重性、耦合常数三项全拿下

¹H 位移，Opus 4.7 的 MAE 是 0.079 ppm，所有受测工具里最低，远在化学家 ±0.20 ppm 的容差窗内。

¹³C 上，Opus 4.7 的 1.37 ppm 与 MestReNova 的 1.48 ppm 基本打平，明显好过 ChemDraw 的 2.107 ppm。

逐化合物胜率，Opus 4.7 在 ¹H 上赢 11.7/20、¹³C 上赢 8.0/20，都是第一。

Anthropic 官方 Figure 2：左 ¹H、右 ¹³C 的位移误差（MAE 实心、RMSE 斜纹），Claude 三模型取 3 次均值带波动范围，经典工具为单点。

多重性和耦合常数上，差距更明显。Opus 4.7 的多重性 exact 命中率 85%（343/401），是所有工具最高；MestReNova 54%、ChemDraw 41%。

Anthropic 官方 Figure 7：绿 = exact 完全命中、黄 = lenient 实验只报 m、红 = wrong 判错、灰 = missing 没预测到该原子；分母固定 401。

J 耦合上，三个 Claude 模型的平均误差都在 0.5 Hz 上下，落在 ±0.5 Hz 内的比例达 80–84%；经典工具平均误差 1.9–2.0 Hz，±0.5 Hz 内只有 26–35%。

Anthropic 官方 Figure 8：横轴从左（最严 ≤0.1 Hz）到右（最松 ≤5 Hz），格子是落在该容差内的 J 配对比例，绿高红低。Claude 三行明显比经典工具两行绿。

ChemDraw 的 J 值偏差很大程度来自模板默认值：12.4 Hz geminal 耦合在 31 个 J 里出现 5 次，芳香邻位耦合一律发到 7.0–7.1 Hz。

慢交换的 NH 质子实验上落在 6.8–7.9 ppm 的窄窗。Opus 4.7 略偏上场，Opus 4.6 散开几个 ppm，Sonnet 4.6 直接错放到 10–13 ppm。

还有一个所有工具共有的系统性偏差：羰基碳 δ(C=O) 都被预测得偏低——拿”两个工具是否一致”做正确性检查也照样漏。

Anthropic 官方 Figure 6：每格是该工具在该骨架内残差的标准差 σ（越小越一致），颜色按列内归一化，越深越差。Opus 4.7 在多数骨架上 σ 最低。

MestReNova 的 ¹H MAE 有个口径差异：它只覆盖了 267/401 个原子，跳过了 >0.3 ppm 的实验多重峰，分数和全覆盖的工具不能直接比。ChemDraw 反而强在覆盖最广。

逆向解析：从谱图反推结构，软件做不了的事

逆向集 Opus 4.7 拿到 15 个 NMR/HRMS 解析问题，每个跑 3 次，要求返回最多 3 个排序的 SMILES 候选。立体化学按设计排除——一维 NMR 定不了绝对构型。

15 个问题分两种 prompt 条件，对应化学家真实面对的两种情形。8 个较简单的目标（Q1–Q5、Q9、Q10、Q14）只给高分辨质谱（HRMS）和一维 NMR，相当于确认一个未指定反应的产物。

7 个结构更密集的目标（Q6–Q8、Q11–Q13、Q15）额外给起始原料 SMILES 作锚点，但不给任何其他反应上下文（无试剂、条件、机理、产物类别），相当于确认一个已知输入的反应产物。

结果：8 个简单目标仅凭谱图和质谱，每次都恢复出已发表结构。7 个密集目标在起始原料 SMILES 下，Q6、Q8、Q12、Q15 三次全对，Q7、Q11、Q13 三次对两次。

Anthropic 官方 Figure 9：每个分子标注 3 次尝试的命中数。绿框 = 仅凭 HRMS + 一维谱解出（无起始原料上下文），蓝框 = 额外给起始原料 SMILES。

专用结构解析软件存在几十年，通常需要 2D NMR（COSY、HSQC、HMBC 等二维谱），或先假设候选结构再与谱图对照。Opus 4.7 用的只是化学家随手粘进对话框的一维峰列表和质谱。

自动结构解析从依赖 2D 实验的区间，推进到了原本只能靠手工判断的骨架密度。

AI for Science 关键信号：多模态加显式推理，绕开数据壁垒

过去 AI 在化学上难突破，卡点在数据：训练数据稀缺，缺阴性结果、格式不统一、锁在订阅期刊付费墙后。逆合成分析：能用的工具存在多年，普通学术实验室至今不用。

前沿模型是多模态、能显式推理的，可以直接从期刊插图或手绘草图读出结构，不再依赖预先整理好的分子数据库。通用模型不靠领域专用数据库，照样能在专业仪器分析上打平专用软件，还能干软件干不了的逆向题。

变化落在能向一个通用推理模型提的问题上。确认一个已知反应的产物、排除某个区域异构体、对峰指派做 sanity-check、判断哪些化合物值得上 2D 实验——以前要么需要专用软件，要么需要专家逐个判断。现在一个模型用纯文本就能逐项处理。

入口在变，壁垒在评测，化学只是开始

专业软件不会消失，但默认入口会变。ChemDraw、MestReNova 积累了几十年可靠性，短期替不掉。但当一维谱加质谱粘进对话框就能拿到位移、多重性、J 值和一个结构候选，新一代化学家的第一反应会先打开聊天框。

壁垒会从模型本身转移到评测协议。报告最硬的部分是方法学：怎么锁样本、怎么做匈牙利匹配、为什么跑三次、用哪个固定分母。模型能力是公共供给，能拉开差距的是有没有一套严谨、可复现、骗不过去的领域评测。

化学只是开始。多模态读图、显式推理、不依赖封闭数据库——同一套逻辑可以平移到材料、生物、药物。一旦在一个学科证明跑得通，复制成本很低。

20 个化合物之后，真正的考验才开始

样本小：正向 20 个、逆向 15 个，每个骨架只贡献单一类失败模式，数值排名只能指示方向，不是精确结果。慢交换 NH 杂芳烃只通过氯哒嗪采样，相关的羟基吡啶、氨基噻唑等 DMSO-d₆ 里 NH 活泼的体系都没测。

2D 实验（COSY、HSQC、HMBC）和立体化学按设计排除。溶剂只覆盖 DMSO-d₆、CDCl₃、D₂O，甲醇-d₄、苯-d₆、丙酮-d₆ 未评估。

接下来值得盯三件事：扩到几百个化合物、横跨二三十类骨架后准确率会不会塌；逆向解析能不能在没有起始原料锚点时啃下更密的结构；能力会不会真的进到实验室日常流程，被当成每天打开的工具。

20 个化合物的盲测规模不大，但已经划出一条线：通用大模型在专业仪器分析上打平了几十年的窄域软件，还接下了软件做不了的逆向题。小样本上的成绩有了，下一道坎是它能不能扛住更大规模，从一次演示变成化学家每天打开的对话框。

参考信息：

https://www.anthropic.com/research/making-claude-a-chemist

https://www-cdn.anthropic.com/07441e654ad3dfeb0cd090e9361511562825d012.pdf