利用QM-ML混合方法预测芳香族C-H硫茚化反应的可行性与选择性

《ANGEWANDTE CHEMIE-INTERNATIONAL EDITION》：Predicting Reaction Feasibility and Selectivity of Aromatic C─H Thianthrenation with a QM–ML Hybrid Approach

预测芳香C-H硫杂二苯并呋喃化反应可行性与位点选择性的开源机器学习模型PATTCH，基于半经验量子力学与机器学习，通过整合文献数据及自行补充的54组阴性实验数据，实现超过90%的预测精度，成功应用于区分羧环与杂环功能化、混合产物结构识别及不可反应分子筛选，实验验证了模型的有效性，代码开源。

　　

图形摘要

本文介绍了开源机器学习模型PATTCH，该模型能够预测芳香族C─H噻吩烷化反应的可行性及反应位点选择性。该模型的构建基于文献数据和新生成的实验数据。PATTCH能够在几分钟内提供准确的预测结果，我们在多个案例研究中展示了其应用，包括前瞻性的实验验证。

摘要

芳香族C─H键的直接噻吩烷化是一种有价值的后期官能化策略，例如可以用于新药物的开发。本文提出了一种基于半经验量子力学和机器学习的预测计算模型PATTCH，该模型能够以超过90%的准确率判断每个芳香族C─H单元是否具有反应性。该模型能够解决与噻吩烷化反应相关的位点选择性和反应可行性问题。首先，通过精心设计的特征（这些特征考虑了电子和空间效应对位点选择性的影响）实现了这一目标；其次，通过平行实验补充了现有的文献数据，增加了54个负向实验结果（即噻吩烷化反应失败的情况），这对PATTCH工具的开发起到了关键作用。最终，我们将该模型成功应用于一系列具有挑战性的测试场景，包括区分碳环与杂环的官能化、识别那些会产生异构体混合物的底物，以及识别无法进行噻吩烷化的分子。计算预测结果得到了实验验证。PATTCH工具可免费从https://github.com/MolecularAI/thianthrenation_prediction获取。

利益冲突

作者声明不存在利益冲突。