IBM RXN for Chemistry

Kurzfazit

IBM RXN for Chemistry ist der bekannteste kostenlos zugängliche Retrosynthese-Dienst und für viele Chemiker der erste praktische Berührungspunkt mit KI-gestützter Syntheseplanung. Methodisch gehört das zugrundeliegende “Molecular Transformer”-Modell zur State-of-the-Art-Liga, die Plattform liefert in Sekunden Routen-Vorschläge, die manuell Stunden kosten würden. Schwächen: Das Hosting läuft in den USA, eine Anbindung an interne Reagenzien-Bestände oder firmeneigene Reaktionsdaten gibt es im kostenlosen Tier nicht, und der Domain-Wechsel von rxn.res.ibm.com auf rxn.app.accelerate.science (2024) hat viele Bestandslinks zerschossen. Wer ernsthaft mit Retrosynthese-KI arbeitet, nutzt RXN als kostenlosen Einstieg, und evaluiert für Produktiveinsatz parallel kommerzielle Plattformen wie Reaxys Predictive oder Synthia.

Für wen ist IBM RXN for Chemistry?

Akademische Forschungsgruppen und Promovierende: Wer ohne Budget Retrosynthese-Vorhersage testen will, findet bei IBM RXN den besten Einstieg im Markt. Registrierung mit IBM-ID, dann sofort produktiv, kein Vendor-Pricing, kein Procurement-Prozess. Für Bachelor-, Master- und Doktorarbeiten im Bereich organische Synthese ist das oft das einzige verfügbare Werkzeug dieser Klasse.

Cheminformatik-Teams in Industrieforschung: Über die Python-Bibliothek rxn4chemistry lassen sich Retrosynthese-Anfragen automatisieren und in eigene Bewertungs-Pipelines einbinden. Wer Tausende von Zielmolekülen scoren oder Vorschläge gegen eigene Reaktivitätsregeln filtern will, kann RXN als Komponente einsetzen, vorausgesetzt, der US-Daten-Flow ist abgeklärt.

Frühphasige Medikamentenentwicklung und CRO-Scouts: Bei Lead-Identifikation oder Substanz-Triage helfen automatisierte Routen-Vorschläge, “synthetisch zugänglich” früh von “synthetisch teuer oder unmöglich” zu trennen. Das ist kein Ersatz für die Bewertung durch erfahrene Synthesechemiker, aber ein guter Vorfilter für Bibliotheken mit Hunderten Kandidaten.

Edukative Anwendungen: Lehrstühle nutzen RXN, um Studierenden Retrosynthese als Konzept beizubringen, das System macht die Disconnection-Logik visuell sichtbar. Auch für Weiterbildung in der Industrie ist RXN ein günstiger Einstieg in das Thema “KI im Labor”.

Weniger geeignet für: GxP-regulierte Produktentwicklung (kein Audit-Trail, kein 21 CFR Part 11), Unternehmen mit strengem IP-Schutz (jede Anfrage geht über US-Server), Synthesen mit ungewöhnlichen Reagenzien oder Organometall-Chemie (Trainingsdaten überrepräsentieren Mainstream-Reaktionen) und Anwender, die Validierung gegen den hauseigenen Reagenzien-Bestand brauchen, dafür sind kommerzielle Plattformen mit Inventarsystem-Integration zuständig.

Preise im Detail

Plan	Preis	Was du bekommst
Web-Plattform (kostenlos)	0 €	Registrierung mit IBM-ID, Retrosynthese-Vorhersage, Vorwärts-Reaktionsvorhersage, Bedingungs-Vorschläge, Projekt-Workspaces, Modelle aus dem öffentlichen Pool
rxn4chemistry Python-API	0 €	API-Token nach Registrierung; Rate-Limits gelten, Batch-Verarbeitung für eigene Pipelines möglich
Open-Source-Modelle	0 € (MIT-Lizenz)	RXNMapper, RXNFP, rxn-chemutils auf GitHub, Modelle und Tokenizer lokal nutzbar
Accelerated Discovery (Enterprise)	Auf Anfrage	Custom-Modell-Training auf eigenen Reaktionsdaten, dedizierte Compute-Ressourcen, AVV, IBM-Cloud-Hosting (optional EU-Region), Integration in OpenAD und Deep Search

Einordnung: Die kostenlose Web-Plattform ist der eigentliche Wert, methodisch konkurrenzfähig, sofort verfügbar, ohne Lizenzfalle. Für Pilotprojekte, akademische Arbeit und erste Industrie-Pocs ist das die richtige Wahl. Sobald firmeneigene Reaktionsdaten ins Modell sollen oder die Datenflusswege DSGVO-/IP-kritisch werden, führt der Weg zum Enterprise-Angebot über IBM Accelerated Discovery, und damit in eine deutlich andere Preisliga (Faustregel: fünf- bis sechsstellig pro Jahr, abhängig von Customisation-Tiefe und Hosting-Anforderungen). Wer dort landet, sollte parallel kommerzielle Wettbewerber (Synthia von Merck, Reaxys Predictive, AiZynthFinder als Open-Source-Alternative) evaluieren.

Stärken im Detail

Molecular Transformer als methodische Grundlage. RXN basiert auf einem Transformer-Modell, das Reaktionen als Sequenz-zu-Sequenz-Problem behandelt, Edukte werden als SMILES eingegeben, Produkte als SMILES vorhergesagt. Das Paper dazu (Schwaller et al., 2019) ist eines der meistzitierten in der computational chemistry der letzten Jahre und hat die Architektur des Feldes mitgeprägt. Wer auf publizierter, peer-reviewter Methodik aufbauen will, ist hier richtig.

Drei Anwendungsmodi in einer Oberfläche. Retrosynthese (vom Ziel zurück zu Edukten), Vorwärts-Reaktionsvorhersage (Edukte → wahrscheinliches Produkt) und Bedingungs-Vorschläge (welche Temperatur, welches Lösungsmittel, welcher Katalysator) sind alle integriert. Das ist mehr als reine Routen-Generierung, gerade die Bedingungs-Vorhersage hilft, wenn die Route prinzipiell bekannt ist, aber die Bedingungen experimentell ermittelt werden müssten.

Python-API für Pipeline-Integration. Das rxn4chemistry-Package auf PyPI ist seit Jahren stabil und wird aktiv gepflegt (letztes Release Dezember 2025). Damit lassen sich Retrosynthese-Anfragen aus Jupyter-Notebooks, in Snakemake-Pipelines oder in eigenen Web-Apps automatisieren. Für Cheminformatik-Teams ist das der eigentliche Hebel, die UI ist nett, aber die API ist produktiv.

Open-Source-Komponenten ergänzen die Plattform. Die rxn4chemistry-Organisation auf GitHub veröffentlicht zentrale Modelle (RXNMapper für atom-mapping, RXNFP für Reaktions-Fingerprints) unter MIT-Lizenz. Wer Trainingsdaten lokal vorverarbeiten oder eigene Modelle bauen will, kann diese Bausteine direkt nutzen, und ist damit nicht zwingend auf die Plattform angewiesen.

Trainiert auf USPTO + lizenzierten Quellen. Die Modelle wurden auf öffentlichen Patentreaktionen (USPTO) und ergänzenden lizenzierten Datenquellen trainiert. Das deckt einen großen Teil der industriell relevanten organischen Chemie ab, mit nachvollziehbarer Datenherkunft. Für Reproduzierbarkeit in akademischen Arbeiten ist das ein klarer Vorteil gegenüber Black-Box-Modellen kommerzieller Anbieter.

Niedrige Einstiegshürde. Konto bei accelerate.science erstellen, IBMid verknüpfen, SMILES eingeben, danach sieht man in Sekunden den ersten Vorschlagsbaum. Keine Software-Installation, keine GPU lokal, kein VPN. Für eine Funktionsklasse, die historisch nur in spezialisierten Forschungslabors verfügbar war, ist diese Zugänglichkeit beachtlich.

Schwächen ehrlich betrachtet

Datenhosting bleibt US-zentral. Jede Anfrage über die Web-Plattform oder die öffentliche API geht durch US-Infrastruktur. Für Konzerne mit strikten IP-Richtlinien, für Pharma-Unternehmen in frühen Projektphasen und für alle Anwendungen mit Wettbewerbsrelevanz ist das ein hartes Hindernis. Enterprise-Kunden über Accelerated Discovery können EU-Hosting verhandeln, der Self-Service-Pfad bleibt US.

Domain-Wechsel hat Bestandsnutzer verunsichert. Bis 2024 lief die Plattform unter rxn.res.ibm.com, jetzt unter rxn.app.accelerate.science. Die alte URL leitet weiter, viele Bookmarks, Paper-Zitate und akademische Anleitungen sind aber nicht aktualisiert. Wer auf die alte Domain stößt, kann unsicher sein, ob das Produkt noch existiert, und ob es noch IBM gehört. Beides ist faktisch der Fall, aber das Marketing dazu war minimal.

Keine Anbindung an firmeneigene Daten im kostenlosen Tier. Die Modelle sehen die Welt durch USPTO und ergänzte Public-Domain-Quellen. Wer den eigenen Reaktionsbestand (Labor-Notebooks, ELN, interne Patente) in Vorhersagen einbeziehen will, kommt am Enterprise-Pfad nicht vorbei. Das ist der größte Unterschied zwischen Spielzeug und Werkzeug, und der Punkt, an dem die meisten Industrie-Pocs scheitern oder zum kommerziellen Wettbewerber wechseln.

Mainstream-Bias der Trainingsdaten. Wie alle datengetriebenen Modelle reflektiert RXN die Verteilung des Trainingsbestands, viel Pharma-relevante Heterocyclen-Chemie, viel Standard-Kupplungschemie, weniger Organometall-Spezialchemie, weniger photoredox-katalysierte Reaktionen, weniger flow-chemistry-spezifische Bedingungen. Wer in einem dieser Spezialgebiete arbeitet, bekommt von RXN oft nur durchschnittliche Vorschläge und sollte fachliche Validierung nicht überspringen.

Keine Validierung gegen Reagenzien-Bestand. RXN schlägt Routen vor, ob die nötigen Edukte im Hauslager stehen, sechs Wochen Lieferzeit haben oder schlicht teuer sind, weiß das System nicht. Kommerzielle Plattformen koppeln das oft mit Inventory-Systemen oder Preisdatenbanken; bei RXN bleibt diese Bewertung Sache der Chemikerin.

Kein Audit-Trail für regulierte Forschung. Für GxP-Umgebungen (Pharma-Produktentwicklung, FDA-relevante Studien) fehlen unveränderliche Logs, elektronische Signaturen und 21 CFR Part 11-Konformität. Im Vorfeld der eigentlichen Produktentwicklung ist das tolerierbar, sobald Vorschläge in GxP-Dokumentation einfließen, ist RXN nicht das richtige Werkzeug.

Marketing und Kommunikation ungewohnt zurückhaltend. Im Vergleich zu kommerziellen Mitbewerbern fühlt sich RXN wie ein Forschungsprojekt mit Web-UI an, wenig dokumentierte Roadmap, sparsame Release-Notes, kein klar kommuniziertes SLA. Das ist konsistent mit dem Charakter als IBM-Research-Initiative, kann aber bei Industrieanwendern Fragen aufwerfen: “Ist das in fünf Jahren noch da?”

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Tiefe Literaturdatenbank-Recherche neben der Vorhersage brauchst	Reaxys
Substanz- und Patentdatenbank-Recherche mit integriertem Retrosynthese-Planer willst	SciFinder-n
Allgemeine wissenschaftliche Recherche mit Quellen brauchst (nicht spezifisch Chemie)	Elicit
Lange Forschungsdokumente analysieren willst (Verträge, Patente, Reviews)	NotebookLM
Recherche-Antworten mit Quellen für allgemeine Chemie-Fragen brauchst	Perplexity

Erwähnenswert ohne eigene Tool-Seite: AiZynthFinder (Open-Source-Retrosynthese-Tool von AstraZeneca, lokal lauffähig, der direkteste Wettbewerber für Teams, die kein US-Hosting wollen), Synthia (kommerziell, Merck/Sigma-Aldrich, sehr starke Suche nach kommerziell verfügbaren Ausgangsstoffen), Chemix und Postera Manifold (kommerziell, hat sich im COVID-19-Drug-Discovery-Umfeld profiliert) sowie Spaya (Iktos, integrierte Retrosynthese mit Generierung neuer Wirkstoff-Kandidaten). Für reine Retrosynthese bleibt RXN die beste kostenlose Option, wer kommerzielle Tiefe braucht, sollte AiZynthFinder (lokal, Open Source) und Synthia (kommerziell, breite Reagenzien-Verfügbarkeit) parallel evaluieren.

So steigst du ein

Schritt 1: Konto auf rxn.app.accelerate.science anlegen, du brauchst eine IBMid, die du in 60 Sekunden kostenlos erstellst. Lege danach ein Projekt an (“Demo Retrosynthese Caffeine”) und vergewissere dich, dass die Standard-Modelle (Molecular Transformer 2024) ausgewählt sind. Die UI ist auf Englisch, beachte, dass Begriffe wie “Disconnection” und “Synthesis Tree” zur Standardterminologie gehören.

Schritt 2: Gib eine einfache Zielverbindung als SMILES ein, zum Beispiel Vanillin (COc1cc(C=O)ccc1O) oder Coffein (CN1C=NC2=C1C(=O)N(C(=O)N2C)C). RXN generiert in 5–15 Sekunden einen Synthesebaum mit mehreren Routen. Jeder Knoten zeigt die vorgeschlagene Reaktion, die Konfidenz und die zugrundeliegende Patent- oder Publikationsreferenz, wenn verfügbar. Lass dir bewusst auch unwahrscheinlichere Routen anzeigen, die zweitbeste Route ist oft die didaktisch interessantere.

Schritt 3: Wenn du die API nutzen willst, installiere pip install rxn4chemistry und hol dir den API-Token aus deinen Account-Einstellungen. Mit wenigen Zeilen Python lassen sich Batches von 50–500 Zielmolekülen automatisiert verarbeiten. Beachte die Rate-Limits, der kostenlose Tier ist nicht für Massendurchsatz gedacht. Wer regelmäßig Tausende von Anfragen stellt, sollte den Enterprise-Pfad evaluieren.

Schritt 4 (optional): Validiere RXN gegen ein bekanntes Beispiel aus dem eigenen Labor. Nimm eine Synthese, die du vor einem Jahr durchgeführt hast, gib das Zielmolekül ein und vergleiche, ob RXN deine tatsächliche Route findet, eine bessere vorschlägt oder ganz daneben liegt. Diese Kalibrierung ist wichtiger als jede generische Demo, sie zeigt, welche Vertrauenswürdigkeit die Vorschläge in deinem konkreten Stoffgebiet haben.

Ein konkretes Beispiel

Ein Promovend an der RWTH Aachen entwickelt einen neuen Liganden für eine asymmetrische Hydrierung. Die Zielstruktur ist literaturunbekannt, ähnliche Verbindungen sind aber in drei Dissertationen beschrieben. Statt drei Tage Literatur-Triage in Reaxys gibt er die Zielstruktur als SMILES in IBM RXN ein und bekommt in 12 Sekunden fünf Routenvorschläge mit Konfidenz-Scores. Die Top-Route nutzt Edukte, die im Lehrstuhl-Lager liegen, und schlägt eine Buchwald-Hartwig-Kupplung als Schlüsselschritt vor, eine Reaktion, die der Promovend ohnehin im Repertoire hat. Eine zweite Route schlägt eine elegantere Tandem-Sequenz vor, deren Bedingungen aber Hochdruckapparatur erfordern, die nicht verfügbar ist. Er entscheidet sich nach 25 Minuten Bewertung für Route 1, dokumentiert die Vorschläge im ELN als Inspirationsquelle und beginnt im Labor. Zeitersparnis bis zur ersten Synthese: ca. 2 Arbeitstage. Die Daten der Zielstruktur sind nicht vertraulich (Grundlagenforschung, später als Open Access publiziert), also ist das US-Hosting unkritisch. Für ein vergleichbares Industrie-Projekt mit IP-Schutz würde der Lehrstuhl einen lokalen AiZynthFinder-Setup oder den IBM-Enterprise-Pfad evaluieren.

DSGVO & Datenschutz

• Datenhosting: USA. Web-Plattform und öffentliche API laufen über IBM-Cloud-Infrastruktur in den USA. Eine EU-Hosting-Option für die Self-Service-Plattform existiert nicht.
• Datennutzung: Eingegebene Strukturen können in aggregierter Form zur Modellverbesserung verwendet werden, Details finden sich in den IBM-Cloud-Nutzungsbedingungen. Für IP-sensible Strukturen ist das ein relevantes Risiko, das vor Nutzung in Industrieforschung geklärt werden sollte.
• Account und IBMid: Registrierung erfordert eine IBMid, die wiederum IBMs allgemeinen Privacy-Bedingungen unterliegt. Account-Löschung über das IBMid-Portal möglich, einzelne Projekte und Strukturen lassen sich aus der RXN-Oberfläche heraus löschen.
• Auftragsverarbeitung (AVV): Für die kostenlose Web-Plattform gibt es keinen AVV, Eingaben gelten als Forschungsdaten. Enterprise-Kunden über IBM Accelerated Discovery erhalten Standard-AVV nach DSGVO, einschließlich Standardvertragsklauseln und optionalem EU-Hosting auf der IBM Cloud Frankfurt.
• Empfehlung für Unternehmen: Keine IP-sensiblen Strukturen über die kostenlose Web-Plattform eingeben. Für Industrieforschung mit Wettbewerbsrelevanz entweder den Enterprise-Pfad (Accelerated Discovery, AVV, EU-Hosting verhandeln) oder die Open-Source-Komponenten (RXNMapper, RXNFP) lokal einsetzen. Für hochregulierte Forschung (GxP, FDA-relevante Studien) ist RXN nicht das passende Werkzeug, Audit-Trail und 21 CFR Part 11 fehlen.

Gut kombiniert mit

• Reaxys, RXN schlägt Routen vor, Reaxys liefert die experimentelle Evidenz: Ausbeuten, Bedingungen, Originalliteratur. Wer die RXN-Vorschläge in Reaxys verifiziert, bekommt eine deutlich belastbarere Entscheidungsgrundlage als mit jedem Tool allein.
• SciFinder-n, als Patent- und Literaturdatenbank ergänzt SciFinder die RXN-Routen mit Patent-Belegen. Besonders relevant für IP-Bewertungen: Ist die vorgeschlagene Route bereits patentgeschützt, frei nutzbar oder im Patentablauf?
• AiZynthFinder (Open Source, nicht als Tool-Seite gelistet), die lokale Alternative für Teams, die das US-Hosting vermeiden müssen. RXN für die schnelle Online-Sondierung, AiZynthFinder für die kontrollierte Pipeline-Verarbeitung in IP-sensiblen Projekten.

Unser Testurteil

IBM RXN for Chemistry verdient 4 von 5 Sternen. Es ist methodisch state-of-the-art, kostenlos und macht eine Technologie zugänglich, die vor wenigen Jahren nur in spezialisierten Forschungsgruppen verfügbar war. Die zugrundeliegenden Transformer-Modelle und die Open-Source-Komponenten haben das Feld der computational retrosynthesis maßgeblich mitgeprägt, wer die Plattform nutzt, arbeitet mit fundierter Methodik. Den fünften Stern kostet das US-Hosting (kein EU-Pfad für Self-Service), die fehlende Anbindung an firmeneigene Datenbestände im kostenlosen Tier, die unkommunikative Domain-Migration und die für Industrieanwender ungewohnt zurückhaltende Roadmap-Kommunikation. Für akademische Forschung ist RXN eine klare Empfehlung, für Industrie-Pocs ein guter Einstieg, aber nicht das finale Werkzeug, produktive Nutzung in IP-relevanten Kontexten verlangt entweder den teuren Enterprise-Pfad oder einen Wechsel zu Open-Source-Alternativen wie AiZynthFinder, die lokal laufen.

Was wir bemerkt haben

• 2024, IBM hat die Plattform von rxn.res.ibm.com auf rxn.app.accelerate.science verschoben, im Zuge der Konsolidierung unter dem Dach “Accelerated Discovery”. Die Migration war technisch sauber (Redirect funktioniert), kommunikativ aber sparsam, viele Paper und Lehrbücher referenzieren weiterhin die alte URL, was bei Erstkontakt Verwirrung stiftet.
• 2025, Die rxn4chemistry-Python-Bibliothek wird weiterhin aktiv gepflegt (letztes Release Dezember 2025), ebenso die zentralen Open-Source-Komponenten RXNMapper (Februar 2026) und RXNFP. Das ist ein klares Signal, dass die Forschungsgruppe hinter RXN intakt ist, auch wenn die Plattform-Kommunikation zurückhaltend bleibt.
• 2023–2024, Mit “OpenAD” hat IBM eine breitere Accelerated-Discovery-Toolbox veröffentlicht, in die RXN eingebettet wurde. Damit positioniert IBM den Dienst nicht mehr als Einzelprodukt, sondern als Komponente einer umfassenderen Wissenschafts-KI-Plattform. Für Bestandsnutzer bedeutet das mehr Funktionsumfang, aber auch mehr UI-Wechsel.
• 2019–2026, Das zugrundeliegende “Molecular Transformer”-Paper (Schwaller et al., 2019) bleibt eines der meistzitierten in der Computational Chemistry. RXN ist damit auch ein Schaufenster für IBM-Research-Reputation, der kostenlose Dienst ist Marketing für die Enterprise-Sparte und für IBMs Position in wissenschaftlicher KI.
• Mai 2026, Ein nativer EU-Hosting-Pfad für die Self-Service-Plattform fehlt weiterhin. Für DSGVO-konforme Nutzung in der Industrie führt der Weg unverändert über IBM Accelerated Discovery Enterprise oder über lokale Open-Source-Alternativen wie AiZynthFinder.