Predicción de la Regioselectividad en la Funcionalización Radical C−H de Heterociclos a través del Aprendizaje Automático

La funcionalización del enlace C-H radical proporciona un enfoque versátil para elaborar compuestos heterocíclicos. El diseño sintético de esta transformación depende en gran medida del conocimiento de la regioselectividad, mientras que un enfoque cuantificado y eficiente para la predicción de la regioselectividad sigue siendo evasivo. En este trabajo, informamos sobre la viabilidad de utilizar un modelo de aprendizaje automático para predecir la barrera del estado de transición a partir de las propiedades computadas de los reactantes aislados. Esto permite una predicción rápida y confiable de la regioselectividad para la funcionalización del enlace C-H radical de heterociclos. El modelo de Random Forest con características de química orgánica física logró un 94.2 % de precisión en el sitio y un 89.9 % de precisión de selectividad en el conjunto de prueba fuera de muestra. El rendimiento de predicción se validó aún más al comparar los resultados del aprendizaje automático con sustituyentes adicionales, andamios heteroaromáticos y observaciones experimentales. Este trabajo reveló que la combinación de estadísticas computacionales basadas en mecanismos y modelos de aprendizaje automático puede servir como una estrategia útil para la predicción de selectividad en transformaciones orgánicas.