Aprovechando datos experimentales limitados con aprendizaje automático: diferenciando un metilo de un grupo etílico...

Área de la Ciencia:

• Catálisis
• Aprendizaje automático
• Química orgánica

Sus antecedentes:

• La reducción Corey-Bakshi-Shibata (CBS) de la butanona presenta un desafío significativo en la diferenciación de los grupos metilo y etilo.
• Los catalizadores y sistemas enzimáticos libres de metales existentes muestran una selectividad limitada para esta reacción.

Objetivo del estudio:

• Mejorar la selectividad de un catalizador sin metales para la reducción de la CBS de la butanona.
• Aprovechar el aprendizaje automático para acelerar el diseño y la optimización del catalizador.

Principales métodos:

• Se ha construido un conjunto de datos de alta calidad de aproximadamente 100 reacciones (realizadas en triplicado).
• Entrenó un modelo de aprendizaje automático utilizando un gráfico clave-intermedio (sustrato y catalizador) para predecir las diferencias de energía de activación de Gibbs (ΔΔG‡).
• Utilizó el modelo para seleccionar y seleccionar catalizadores para mejorar la selectividad.

Principales resultados:

• Se ha obtenido un exceso enantiomérico (ee) del 80% para la reducción de la CBS de la butanona utilizando un catalizador optimizado libre de metales.
• Superó la selectividad de los catalizadores libres de metales (60% ee) y de los sistemas enzimáticos (64% ee) informados anteriormente.
• Demostró una mejora de > 50% en la ΔG‡ relativa (de 0,9 a 1,4 kcal mol−1).

Conclusiones:

• El aprendizaje automático, combinado con un enfoque de gráfico clave-intermedio, acelera efectivamente el diseño del catalizador utilizando pequeños conjuntos de datos.
• Esta estrategia centrada en los datos ofrece un poderoso plan para optimizar los catalizadores en la química sintética.
• El estudio destaca la sinergia entre la química sintética y el aprendizaje automático para abordar desafíos químicos complejos.