Predicción rápida y precisa de los valores de los ácidos C-H utilizando redes neuronales convolucionales de gráficos

Área de la Ciencia:

• Química orgánica
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• La estimación de la acidez C-H en disolventes no acuosos es vital para predecir la reactividad en la síntesis orgánica.
• La predicción precisa de la abstracción de protones es clave para reacciones como las alquilaciones, las adiciones de Michael y las condensaciones de aldol.

Objetivo del estudio:

• Desarrollar y validar un nuevo método computacional para predecir la acidez C-H en moléculas orgánicas.
• Aprovechar las redes neuronales convolucionales de gráficos (GCNNs) para estimaciones de acidez rápidas y precisas.

Principales métodos:

• Utilizó redes neuronales convolucionales de gráficos (GCNNs) entrenadas en descriptores de entorno atómico.
• Los descriptores incorporaron propiedades topológicas y químicas de los átomos.
• El rendimiento del modelo se evaluó con métodos de última generación y controles adversos.

Principales resultados:

• Los GCNN lograron tiempos de predicción de milisegundos con una precisión comparable o superior a las soluciones actuales.
• El modelo identificó correctamente los protones más ácidos en más del 90% de los problemas sintéticos realistas.
• El método demuestra su solidez y aplicabilidad en la planificación sintética práctica.

Conclusiones:

• Las redes neuronales convolucionales de gráficos ofrecen una herramienta poderosa y eficiente para estimar la acidez C-H.
• Este enfoque ayuda significativamente a la planificación sintética al predecir con precisión los sitios de abstracción de protones.
• Se proporciona una aplicación web para facilitar el uso de este método en la síntesis orgánica cotidiana.