2026年诺贝尔化学奖10月7日揭晓，法国化学家Henri B. Kagan（亨利·卡根）与日本化学家硖合宪三（Kenso Soai，东京理科大学名誉教授）共同获奖，表彰他们发现“不对称有机合成中的非线性效应与自催化”。两人平分1200万瑞典克朗奖金。这些发现揭开了分子如何“选边站”的基础规律，也为今天机器学习辅助预测和设计化学选择性提供了研究背景。
许多分子像左右手，组成相同，却无法彼此重合，称为手性。生物体对这种差别极其敏感：蛋白质中的氨基酸主要采用一种手性，药物的两种镜像也可能产生不同作用。普通合成常得到左右各半的混合物，生命却偏向一侧。怎样让微小的不平衡不断扩大，是理解生命化学、制造特定药物分子的共同难题。
©Johan Jarnestad/The Royal Swedish Academy of Sciences
卡根在1986年发现，产物对一种镜像的偏好，可以超过所用手性催化体系自身的偏好。这种“非线性效应”打破了输入偏多少、输出就偏多少的直觉，让化学家看到手性能够被放大，并借此研究催化剂如何聚集和参与反应。这一发现为理解不对称催化中的放大机制提供了关键线索。
硖合宪三则把放大推向自催化：反应生成的手性产物，还能促进同类产物继续生成。1995年的关键论文提出这一反应，2003年进一步实现几乎完全偏向一种镜像的结果。微小初始差异因此可能被逐轮放大。科学院将其视为解释同手性如何产生的重要突破，为研究生命化学的起源提供了具体的反应体系。
选对分子的“左右手”，需要先找到能把反应引向目标产物的催化剂。AI正在把这种寻找变成可预测、可排序的筛选。2019年《Science》刊登Zahrt、Denmark等人的研究：团队建立了包含806种手性磷酸催化剂的虚拟库，用分子结构描述寻找有代表性的候选，再以24种代表性催化剂与16种底物组合得到的384组反应数据训练模型，并用另外691组反应进行外部验证。模型学习的是亚胺与硫醇反应的对映选择性，让化学家能够根据结构与已有数据，优先寻找更有希望的催化剂。
更重要的是，模型能够从表现一般的反应中寻找更优方案。研究者另将718组对映体过量值低于80% ee的反应用于训练，预测357组高于80% ee的反应，成功识别出高选择性的催化剂；其中最佳催化剂的选择性预测与实验值相差不超过3个百分点。ee衡量产物偏向某一种镜像的程度，数值越高，越接近只得到目标的那一“只手”。这些结果把AI的价值落在了具体的筛选规模和选择性预测上：用已有反应规律判断哪些新方案更值得实验验证。团队为建立和检验数据共完成2150次实验，涵盖1075组反应的重复测量。
从筛选合成方案到读懂产物，AI也在提升更广泛的化合物解析能力。Anthropic在2026年6月5日公布的核磁共振研究中，使用20种化合物比较Claude Opus 4.7、Opus 4.6、Sonnet 4.6与专业软件ChemDraw、MestReNova。对于包含结构信息的核磁共振子峰间距，三个Claude模型的预测误差在0.5 Hz以内的比例均约为80%，而两款专业软件为26%—35%。这一准确度表现说明，通用模型已经能够帮助化学家从谱图特征理解化合物结构，为合成后的分析提供新的工具。
诺奖成果揭示分子的手性偏好如何产生、放大和传递，AI则把结构描述与实验数据转化为筛选和解析能力。对药物研发而言，目标不仅是合成一个分子，更是得到具有所需作用的正确镜像。从384组训练反应到691组外部验证，从选择性预测相差不超过3个百分点到核磁共振峰间距约80%的达标比例，这些具体结果展示了化学知识与数据模型结合的实际进展。
作者：星期天下午
来源：瑞典皇家科学院、东京理科大学、Science（2019，DOI：10.1126/science.aau5631）、Anthropic（2026年6月5日）及其研究白皮书