Machine Learning Algorithm Guides Catalyst Choices for Magnesium-Catalyzed Asymmetric Reactions

Literatura chemii organicznej obejmuje szeroki wachlarz katalizatorów i reakcji, które mogą być przez nie katalizowane. Wiele z tych przykładów jest publikowanych jedynie w celu udokumentowania możliwości katalizatorów, jednak nie zawsze oznacza to, że dany katalizator jest „optymalny” pod względem wydajności lub nadmiaru enancjomerycznego dla konkretnej reakcji. W naszych badaniach opracowaliśmy model uczenia maszynowego mający na celu poprawę dopasowania katalizatorów do reakcji, opierając się na starannie wyselekcjonowanych danych literaturowych z zakresu katalizy asymetrycznej kompleksami magnezu. Predykcje naszego modelu zostały z powodzeniem potwierdzone eksperymentalnie w wymagających syntetycznie asymetrycznych redukcjach oraz addycjach Michaela.Przedstawione w badaniu wyniki wskazują na potencjał zastosowania algorytmów uczenia maszynowego w przewidywaniu optymalnych warunków katalitycznych, co może znacząco usprawnić proces projektowania reakcji chemicznych i przyczynić się do rozwoju efektywnych metod syntezy organicznej.