最新一期《自然·通讯》发表了题为《Automated transition state generation for mechanistic exploration in organic synthesis》（有机合成机理探索中的自动化过渡态生成）的研究论文。研究团队提出的UniTS-Gen生成模型，能够从二维化学结构出发自动生成三维过渡态候选结构，再通过量子化学与动力学计算完成验证，推动计算化学逐步从"人工提出结构、计算验证"走向"AI生成假设、物理计算验证"的自动化机理发现模式。
过渡态是有机反应机理研究中的核心概念，它决定了化学反应的可能路径与能垒高低。传统研究中，构建合理的过渡态三维初始结构高度依赖研究人员的化学直觉与手工尝试，是机理探索中最耗时、最依赖经验的环节。UniTS-Gen正是瞄准这一痛点：模型接收反应物与产物的二维化学结构作为输入，利用生成模型自动产出候选的三维过渡态结构，再由量子化学计算完成筛选与验证。
研究团队在验证环节引入了碰撞率指标，并通过DFT优化、频率分析和IRC验证进一步评价生成结构，提供了比单一RMSD更加符合化学意义的生成模型评估框架。结果显示，在Formula-OOS测试集上，模型的一阶鞍点收敛率达到68.7%，正确反应过渡态成功率为41.9%。这意味着模型虽然还不能取代量子化学过渡态优化，但已经可以承担过去最依赖人工经验的步骤：构建合理的三维初始猜测。
多次采样还能进一步提高成功概率，使过渡态搜索从"研究人员手工尝试不同结构"转变为"模型自动生成候选结构、再由量子化学筛选"的新范式。对复杂有机反应而言，这一转变有望显著降低机理研究对人工试错和专家直觉的依赖。
在有机合成化学中，理解反应机理是设计高效、选择性合成路线的基石。一个反应究竟走哪条路径、哪个中间体起关键作用、反应速率为何如此，都需要通过过渡态分析来回答。然而，过渡态结构搜索在计算化学中一直是个难题：过渡态是势能面上的鞍点，无法通过简单的能量最小化获得，需要精心构造初始猜测并沿反应坐标搜索，一旦初始结构不合理，优化极易失败或收敛到错误结构。
过去，这项工作几乎完全依赖研究者的经验。资深化学家往往需要根据对反应类型的理解，手工搭建可能的反应几何构型，再交给计算软件优化，整个过程试错成本高、可复现性差。对于大型分子体系或全新反应类型，这种"经验驱动"的模式尤其吃力，也成为机理研究的效率瓶颈。
UniTS-Gen的价值，正在于把这一环节自动化。研究团队构建了大规模过渡态数据库UniTS-Lib用于模型训练，使模型学习到化学反应中原子重排的规律，从而能够针对未见过的反应快速产出合理的初始结构。这相当于把资深化学家的经验"编码"进了生成模型，让机理研究的起点从手工作坊式搭建提升为自动化批量生成。
研究同时披露了模型的评估框架与局限。团队采用Formula-OOS、Element-OOS、Maximum-OOS等外推测试集，系统考察模型面对未见分子式、未知元素组合与超尺寸体系时的泛化能力。结果显示，UniTS-Gen距离完全自动化的反应机理发现仍有距离：当前模型需要用户预先指定反应位点，还不是从任意反应物出发自动发现所有可能反应路径的端到端系统；对于训练中完全没有出现的元素以及超过训练尺寸范围的大型体系，模型性能也明显下降。
针对这些局限，研究团队提出了明确的改进方向：未来可通过规则驱动的产物枚举或启发式方法自动识别候选反应中心，同时利用现有自动化数据流程不断扩展UniTS-Lib数据库，逐步改善Element-OOS和Maximum-OOS的泛化能力。这意味着模型将朝着"端到端自动探索反应空间"的方向持续演进。
此外，可靠的AI过渡态初始结构还可以与机器学习势能面结合，实现从候选结构生成到过渡态优化的端到端加速；生成的三维过渡态信息也可进一步用于结构选择性建模和数据驱动的催化剂设计，为计算化学的多个下游方向提供支撑。
这项研究的深层意义，在于它构建了自动化反应机理研究的基础模块：从二维化学结构出发，由生成模型探索可能的三维过渡态，再通过量子化学和动力学计算完成验证、能垒比较和反应路径分析。这一框架有望显著降低复杂有机反应机理研究对人工试错和专家直觉的依赖，推动计算化学从"人工提出结构、计算验证"走向"AI生成假设、物理计算验证"的自动化机理发现模式。
在AI for Science的大背景下，这项成果是生成式模型进入化学微观机理研究的最新案例。此前，AlphaFold等模型已经在蛋白质结构预测领域证明了AI对科学研究的加速作用，而过渡态生成研究则把AI的能力延伸到化学反应机理这一更基础的层面。随着生成模型与量子化学、分子动力学等计算工具的深度融合，"AI设计实验假设、计算验证、实验确认"的闭环科研范式正在加速形成，有机合成、药物研发、催化剂设计等领域的研发效率有望迎来新一轮提升。