编辑推荐：
在化学研究和工业生产中，反应优化至关重要。为降低寻找高产量条件的实验负担，研究人员开展 “RS - Coreset” 相关研究。结果显示该方法用小规模数据即可有效预测反应产率，还发现了被忽视的反应组合，对化学研究意义重大。
在化学的奇妙世界里，反应优化就像一把神奇的钥匙，能够开启高效合成的大门，无论是在学术研究领域，还是工业生产的大舞台上，都有着举足轻重的地位。然而，探索一个庞大的反应体系时，确定高产量的反应条件就如同大海捞针。传统的研究方法需要化学家们进行大量繁琐的实验，耗费大量的时间和精力，而且实验结果还在很大程度上依赖于实验者的专业知识，这就导致一些潜在可行的反应条件很容易被遗漏。比如在著名的 Buchwald - Hartwig 偶联反应研究初期，就因为实验的局限性，只推荐了有限的反应条件，很多可能的组合被忽视了。
为了解决这个棘手的问题，中国科学技术大学的研究人员挺身而出，展开了一项意义非凡的研究。他们提出了一种名为 “RS - Coreset”（“RS” 代表 “Reaction Space”，即反应空间）的高效机器学习工具，致力于用小规模的数据来预测反应空间的产率。经过不懈努力，他们取得了令人瞩目的成果。在多个公共数据集上进行验证时，该方法达到了最先进的水平。不仅如此，他们还将其应用于实验室中 Lewis 碱 - 硼基自由基促进的脱氯偶联反应的实际探索，成功地预测了反应产率，并且发现了一些之前文章中被忽视的可行反应组合。这一研究成果发表在《Communications Chemistry》上，为化学领域的发展注入了新的活力。
在研究过程中，研究人员主要运用了以下几种关键技术方法：
- 编码反应：通过计算反应中各成分的分子指纹并连接，将反应组合进行编码，采用如 Mordred、MorganFP 和 AvalonFP 等多种描述符和指纹，这些可由 Python 库 RDKit 从 SMILES 符号生成。
- 表示学习：融合两种不同分子指纹或化学描述符，利用两个独立的前馈神经网络将其映射到新的表示空间，在训练过程中，通过最小化不同表示空间聚类结果的 KL 散度以及表示空间与产率聚类结果的 KL 散度来优化。
- 构建核心集算法：在新表示空间中运行最大覆盖算法选择代表性反应组合，交替进行表示学习和核心集构建，半径选择基于 k - 均值聚类得到的平均簇内距离，该算法用 Python 实现。
- 预测方法：构建好 RS - Coreset 后，利用其产率信息在新表示上训练回归模型，经比较多种回归方法后，选择随机森林回归进行反应产率预测。
模型开发
化学反应空间庞大，化学家通常只能选择一小部分反应组合进行实验，难以全面了解整个反应空间。研究人员试图构建小规模的 RS - Coreset 来近似反应空间，通过迭代过程完成构建。每次迭代包含三个关键步骤：
- 产率评估：化学家对选定的反应组合进行实验并记录产率。
- 表示学习：模型利用实验得到的产率信息更新表示空间。
- 数据选择：基于最大覆盖算法，选择对模型最具指导意义的新反应组合，进入下一轮迭代。经过多轮迭代后，在学习到的表示空间上训练随机森林回归预测模型。
实验结果
- Buchwald - Hartwig 偶联数据集实验：研究人员在 Buchwald - Hartwig（B - H）偶联数据集上进行了详细实验，尝试了 2.5% 和 5% 两种不同的核心集大小阈值，并与 YieldBERT、YieldBERT - DA、Uncertainty - Aware 等模型进行对比。结果表明，RS - Coreset 模型在大多数指标上表现更优，证明了其在该数据集上的有效性。
- Suzuki - Miyaura 交叉偶联反应实验：为研究方法的可转移性，研究人员在 Suzuki - Miyaura（S - M）反应系统上开展实验。实验设置与 B - H 数据集类似，同样设置 2.5% 和 5% 的训练数据大小，结果显示 RS - Coreset 模型在该数据集上也取得了较好的性能，表明该方法对不同反应系统具有一定的适用性。
- 丹麦小组提供的 B - H 数据集实验：丹麦小组发布了一个包含 3359 个实验的数据集用于评估模型性能，研究人员遵循其设置进行了样本外实验。在不添加特定设计分子描述符的情况下，RS - Coreset 模型在大多数产品上取得了与丹麦小组相当的结果，在一些被认为具有挑战性的外推组上甚至表现更优，体现了该模型对新分子子结构的预测能力。
- Lewis 碱 - 硼基自由基偶联反应的实际实验：研究人员在 Lewis 碱 - 硼基自由基促进的脱氯偶联反应的实际实验中，构建了包含 93 个反应组合（约占 1920 个可能组合的 5%）的 RS - Coreset。通过对预测高产量和低产量的反应组合进行实验验证，发现模型预测性能出色，平均绝对误差较小，并且还发现了一些之前被忽视的可行反应组合，进一步验证了 RS - Coreset 模型在实际反应中的有效性。
研究结论和讨论
反应产率是评估实验性能的重要指标，它能反映反应的质量并揭示化学背后的原理。但传统的确定高产量反应组合的方法耗时费力，还容易遗漏潜在反应条件。RS - Coreset 方法的出现，为解决这些问题提供了新的思路。该方法通过近似反应空间，利用小规模数据实现了对反应产率的有效预测，不仅在多个数据集上验证了其准确性和稳定性，还在实际实验中发现了被忽视的反应组合。这一成果为化学反应优化提供了有力的工具，在合成化学领域具有巨大的应用潜力。未来，研究人员计划在更复杂的反应系统中验证该框架的有效性，拓展其在预测其他化学性质方面的应用，为化学研究和工业生产带来更多的可能性，推动整个化学领域向更高效率、更精准的方向发展。
