En este artículo, presentamos SynTwins, un novedoso marco de trabajo que conecta las propiedades deseables de las moléculas generadas por IA con su sintetizabilidad real. SynTwins imita la estrategia de químicos expertos al diseñar análogos moleculares sintetizables mediante tres pasos: retrosíntesis, exploración de bloques de construcción similares y síntesis virtual. Supera a los modelos de aprendizaje automático existentes en la generación de análogos sintetizables y, al integrarse con marcos de optimización molecular existentes, genera moléculas sintetizables con propiedades deseables. Mediante una evaluación comparativa exhaustiva de diversos conjuntos de datos moleculares, demostramos que SynTwins conecta eficazmente el diseño computacional con la síntesis experimental, convirtiéndolo en una solución práctica para acelerar el descubrimiento de moléculas sintetizables con las propiedades deseadas para una amplia gama de aplicaciones.
