Una herramienta de aprendizaje automático para predecir las condiciones de adaptación del sustrato para los...

Área de la Ciencia:

• Química orgánica
• Química computacional
• Ingeniería Química

Sus antecedentes:

• El aprendizaje automático (ML) ofrece un potencial significativo para acelerar la optimización de las condiciones de reacción en la síntesis química.
• Los acoplamientos carbono-nitrógeno (C-N) catalizados por paladio son transformaciones cruciales en la síntesis orgánica, pero identificar las condiciones óptimas puede ser un desafío.
• El desarrollo de modelos predictivos requiere conjuntos de datos experimentales completos que cubran diversos emparejamientos de reactivos y parámetros de reacción.

Objetivo del estudio:

• Desarrollar una herramienta de aprendizaje automático que proporcione condiciones de reacción adaptativas al sustrato para los acoplamientos C-N catalizados por paladio.
• Crear un flujo de trabajo sistemático para el aprendizaje activo y la mejora de los modelos predictivos para las transformaciones químicas.
• Demostrar la eficacia de la herramienta para predecir las condiciones de reacción de alto rendimiento de los nuevos reactivos.

Principales métodos:

• Generación de un conjunto de datos experimentales diversos que exploran varios emparejamientos de reactivos y condiciones de reacción para los acoplamientos C-N.
• Formación de modelos de redes neuronales utilizando un proceso de diseño experimental sistemático para aprender activamente el alcance de los acoplamientos C-N.
• Validación experimental de las predicciones del modelo ML con reactivos fuera de la muestra.

Principales resultados:

• Los modelos ML desarrollados demostraron un buen rendimiento en la predicción de las condiciones de reacción.
• Se aislaron con éxito diez productos objetivo con rendimientos superiores al 85% utilizando condiciones previstas para reactivos difíciles fuera de la muestra.
• El flujo de trabajo mostró una mejora continua en la capacidad de predicción a medida que se incorporaban más datos.

Conclusiones:

• La herramienta presentada acelera efectivamente la identificación de las condiciones de reacción de los acoplamientos C-N catalizados por Pd.
• El enfoque adaptativo al sustrato mejora la eficiencia y el alcance de la síntesis química.
• La capacidad de aprendizaje continuo garantiza la mejora continua y una mayor aplicabilidad de la herramienta.