基于3D结构与深度学习的方法，用于预测烯烃羟甲基化反应的区域选择性

《Journal of the American Chemical Society》：3D, Structure-Based, Deep Learning Approach to Predict the Regioselectivity of Olefin Hydroformylations

　　

摘要

即使有理论和机理知识的指导，过渡金属催化剂的合理开发仍然需要大量的试错。尽管机器学习有望加速催化剂的发现和优化，但由于可用数据集有限，准确建模催化剂的复杂结构及其多步骤反应机理仍然具有挑战性。烯烃氢甲酰化反应就是一个典型例子：其催化循环包含许多通常是可逆的步骤，但几十年的研究仍未建立起可靠的结构-选择性关系。我们介绍了Libra-ML，这是一种基于3D结构的深度学习方法，用于预测过渡金属催化反应的结果。为了展示Libra-ML在模拟复杂催化反应结果方面的能力，我们预测了由铑复合物催化的末端烯烃氢甲酰化的区域选择性。与现有方法的比较显示了Libra-ML的强大性能，并强调了编码3D结构在预测分子催化剂实验结果中的重要性。