《Chemical Science》：Transfer learning for reaction optimisation: overview of its applications and limitsOpen Access
编辑推荐：
反应优化仍然是化学合成和工艺开发中关键但资源密集的步骤，特别是在复杂、多维的反应空间中。近年来，自动化实验和机器学习引导的优化（machine-learning-guided optimisation）的进展显著提高了识别最佳反应条件的效率。然而，大多数优化活
反应优化仍然是化学合成和工艺开发中关键但资源密集的步骤，特别是在复杂、多维的反应空间中。近年来，自动化实验和机器学习引导的优化（machine-learning-guided optimisation）的进展显著提高了识别最佳反应条件的效率。然而，大多数优化活动仍然在冷启动（cold-start）模式下运行，未能利用日益增长的历史实验数据。在本综述中，研究人员探讨了迁移学习（transfer learning）作为一种策略的新兴作用，通过启用来自相关反应或先前优化活动的知识重用来克服这一限制。研究人员提供了应用于反应优化的迁移学习方法的全面概述，包括多任务贝叶斯优化（multi-task Bayesian optimisation）、集成方法（ensemble approaches）、基于神经过程的模型（neural-process-based models）、混合人工智能框架（hybrid artificial intelligence frameworks）和主动迁移学习策略（active transfer learning strategies）。通过选定的案例研究，研究人员强调了这些方法如何加速收敛、减少实验工作量并提高数据效率，特别是在自动化和流动化学平台中。研究人员进一步讨论了关键挑战，包括负迁移（negative transfer）的风险、定义反应相似性（reaction similarity）的难度以及需要化学上有意义的表示（chemically meaningful representations）。最后，研究人员概述了未来方向，即知识积累型自主实验室（knowledge-accumulating autonomous laboratories），其中迁移学习能够实现跨反应系统的累积化学学习（cumulative chemical learning）。
**Introduction**
传统反应优化常采用单变量逐一变化（OVAT）或实验设计（DoE）方法，但面对复杂多维反应空间时效率低下且无法揭示变量交互。贝叶斯优化（BO）作为替代方案，通过概率代理模型和采集函数在有限实验数据下高效搜索最优条件，并已扩展至多目标、分类变量和约束问题。然而，大多数优化仍处于冷启动状态，未能利用历史数据。迁移学习（TL）通过重用相关反应或先前优化任务的知识来加速新任务学习，类比人类学习经验。本综述聚焦于TL在反应优化中的应用，特别是BO框架内的策略，并涵盖主动迁移学习（ATL）等方法，文献截止至2026年3月。
**Explicit modelling**
显式建模是最简单的TL方法，通过将源任务数据直接纳入模型并引入任务标识参数（如分类变量）实现知识传递。Faurschou等人将其应用于碳水化合物苯甲酰化反应优化，使用高斯过程回归（GPR）在单任务BO框架中，将起始单糖作为分类变量编码。实验表明，源任务数据使目标任务收敛速度提升63–73%，例如甘露糖苷反应从63次实验降至23次。但该方法依赖于任务间差异的可编码性，且产率在放大验证时出现偏差，说明实验条件（如规模）需纳入考量。
**Multi-task Bayesian optimisation**
多任务贝叶斯优化（MTBO）采用多任务高斯过程（MTGP）作为代理模型，通过内禀共区域化模型（ICM）联合建模源任务与目标任务，采集函数仅针对目标任务。Taylor等人首次实验验证MTBO在钯催化C–H活化反应中，相比单任务BO和DoE显著减少实验迭代（如案例2–4）。但性能强烈依赖于任务相似性：当源任务与目标反应机制差异较大时（如异恶唑衍生物），可能产生负迁移，导致算法陷入局部最优。Wagner等人在酰胺偶联反应中进一步证实，MTBO在相似反应中加速收敛，但对低反应性底物（如缺电子苯胺）早期表现劣于标准BO，强调需化学描述符指导任务选择。
**Ranking-weighted Gaussian process ensemble**
排名加权高斯过程集成（RGPE）为每个源任务和目标任务独立拟合GP模型，并通过加权组合预测，权重由源模型对目标数据的排序能力决定。随着目标数据积累，目标模型权重自然增加，从而降低无关任务的影响。该方法在Buchwald–Hartwig胺化反应的in silico研究中被验证，但尚未在真实实验优化中应用。
**Neural processes**
神经过程（NP）作为GP的计算高效替代，通过编码器、聚合器和解码器结构线性缩放至数据点。Guo等人将NP嵌入多目标BO框架，实现O-甲基异脲合成从实验室到工业规模的流动放大，仅需3次新实验即适应新规模。但有限的新数据（均来自低产率区域）限制了模型对全局响应面的捕捉，可能导致优化集中于局部区域。注意力神经过程（ANP）通过引入注意力机制改进预测精度。Hickman等人开发SeMOpt算法，将ANP与GP的采集函数结合，逐步降低源任务影响。在Reizman数据集和Buchwald–Hartwig反应的in silico优化中，SeMOpt在难优化任务中（如仅少数条件高产率）显著优于单任务BO，但尚未在真实实验中得到验证（最新预印本已在脱羧烯化反应中应用）。
**Hybrid methods**
混合方法将BO与大规模反应数据集训练的模型结合。Kwon等人提出HDO框架，使用消息传递神经网络（MPNN）从Reaxys数据库的百万级反应中学习结构-反应性关系，优先推荐条件，再通过BO纠正偏差。在Suzuki–Miyaura、Buchwald–Hartwig等反应类中，HDO在早期加速发现高产率条件，但后期与标准BO性能趋同，主要优势在于低预算场景。BORA方法利用大语言模型（LLM）提供领域知识，通过文本描述生成建议，已在in silico优化中展示潜力，但尚未在TL场景中深入探索。
**Active transfer learning**
Shim等人将迁移学习与主动学习结合（ATL），使用随机森林二分类器预测反应条件是否优于当前最优。初始模型基于163个源反应数据构建，然后迭代添加目标数据并更新模型。应用于镍催化胺与羧酸偶联，反应空间包含18,270种条件。ATL在4个案例中均识别出优于源数据对照的反应条件，且相比标准BO和随机搜索更快收敛（如案例3中仅需4批实验达到最优，而BO需6批、随机搜索需9批）。但预测精度中等，且最优条件在某些案例中需人工推理。未来可扩展至回归任务以量化改进幅度。
**Discussions**
TL的有效性不总是保证，负迁移可能发生，如Taylor等人in silico研究中无关任务导致性能下降。定义反应相似性仍具挑战，可能源于机制、试剂或底物类别的相似，但难以先验量化。化学描述符（如理化性质）可增强表示，但数据驱动的RGPE通过排序权重自动处理任务相关性。当前TL的主要优势在于加速收敛而非最终目标值，如Faurschou和Taylor的研究中辅助任务收敛比源任务快52–73%。Wagner等人指出收敛速率高度依赖反应类型，而Shim和Hickman的对比实验直接证明TL在收敛速度和目标值上的双重提升。表5总结了各方法在源数据、模型、知识转移机制、任务相似性处理和实验验证方面的特征。开源BO包（如BOFIRE、BayBE、ProcessOptimiser、Atlas）已集成部分TL方法，且持续更新。
**Conclusion**
TL正成为克服算法驱动反应优化中“冷启动”问题的强大范式，通过重用历史数据、机理直觉或相关优化任务，显著减少实验负担、加速收敛并提高可持续性。然而，其成功依赖于任务相似性、辅助数据质量以及模型平衡继承偏差与目标探索的能力。负迁移风险在化学优化中仍未被充分认识，尤其当反应相似性被假设而非量化时。未来方向包括：开发化学上有意义的描述符以指导知识转移；结合大模型与低数据优化框架；以及从孤立优化转向累积化学学习，实现知识积累型自主实验室。
