计算驱动的工作流程和机器学习预测高选择性催化剂

在不对称反应开发中的催化剂设计传统上是由经验驱动的，其中实验者试图定性识别结构模式以改善选择性。机器学习算法和化学信息学有可能通过识别大型数据集中不可察觉的模式来加速这一过程。在此，我们报告了一种计算指导的工作流程，用于在开发的每个阶段使用化学信息学进行手性催化剂选择。与催化剂骨架无关的强大分子描述符使得可以基于立体和电子特性选择一个通用训练集。该训练集可用于训练机器学习方法，生成在广泛选择性范围内的高度准确的预测模型。利用支持向量机和深度前馈神经网络，我们展示了在手性磷酸催化的硫醇与N-酰亚胺加成反应中的准确预测建模。