Predição de catalisadores de maior seletividade por fluxo de trabalho dirigido por computador e aprendizado de máquina

O design de catalisadores no desenvolvimento de reações assimétricas tem sido tradicionalmente guiado pelo empirismo, onde os experimentadores tentam reconhecer qualitativamente padrões estruturais para melhorar a seletividade. Algoritmos de aprendizado de máquina e quimiometria podem potencialmente acelerar esse processo ao reconhecer padrões que, de outra forma, seriam insondáveis em grandes conjuntos de dados. Aqui, relatamos um fluxo de trabalho orientado computacionalmente para a seleção de catalisadores quirais usando quimiometria em cada estágio do desenvolvimento. Descritores moleculares robustos que são agnósticos ao suporte do catalisador permitem a seleção de um conjunto de treinamento universal com base em propriedades estéricas e eletrônicas. Este conjunto pode ser usado para treinar métodos de aprendizado de máquina para criar modelos preditivos altamente precisos em uma ampla gama de espaço de seletividade. Usando máquinas de vetor de suporte e redes neurais profundas de alimentação direta, demonstramos modelagem preditiva precisa na adição de tiol catalisada por ácido fosfórico quiral a N-aciliminas.