Predicción de rendimiento de aprendizaje automático de NiCOlit, un conjunto de datos de literatura de pequeño tamaño...

Área de la Ciencia:

• Química orgánica
• Aprendizaje automático
• Informática Química

Sus antecedentes:

• El aprendizaje automático para la predicción de rendimiento sintético está bien estudiado, principalmente utilizando experimentación de alto rendimiento o datos propietarios con sesgos de informes.
• La predicción de los rendimientos de los datos de reacción orgánica publicados ha sido en gran medida inexplorada debido a las limitaciones y sesgos de los datos.

Objetivo del estudio:

• Desarrollar un conjunto de datos a partir de publicaciones de reacciones orgánicas para predecir los rendimientos en acoplamientos cruzados catalizados por níquel.
• Investigar el impacto de los datos de optimización y las restricciones de publicación en los modelos de predicción de rendimiento.
• Mejorar el rendimiento del modelo de aprendizaje automático en regímenes de datos bajos mediante la integración del conocimiento químico.

Principales métodos:

• Se ha compilado un nuevo conjunto de datos de reacciones de acoplamiento cruzado catalizadas por níquel a partir de publicaciones científicas, incluidos los detalles de alcance y optimización.
• Analizó la influencia de los datos de optimización (incluidas las reacciones fallidas) y los sesgos de publicación en el rendimiento del modelo predictivo.
• Desarrolló y evaluó modelos de aprendizaje automático, que incorporan conocimientos químicos, para la predicción del rendimiento de la reacción.

Principales resultados:

• Demostró la importancia crítica de incluir datos de optimización, que a menudo representan experimentos fallidos, para una predicción de rendimiento realista.
• Destacó cómo las limitaciones de publicación influyen en la exploración del espacio químico por parte de los investigadores.
• Los modelos de aprendizaje automático mostraron una precisión de predicción mejorada, aunque no perfecta, fuera de la muestra cuando se integró el conocimiento químico, especialmente en escenarios con pocos datos.

Conclusiones:

• Los datos de reacción publicados, cuando se seleccionan para incluir detalles de optimización, pueden ser un recurso valioso para entrenar modelos de predicción de rendimiento.
• La integración del conocimiento químico específico del dominio es esencial para lograr predicciones confiables en entornos con escasez de datos.
• La base de datos pública creada tiene como objetivo facilitar los avances en el aprendizaje automático para la predicción del rendimiento de la reacción dentro de un contexto científico realista.