複雑な基質に関する地域選択性予測のためのターゲット固有のデータセットの設計

科学分野:

• 有機化学
• コンピュータ化学
• 機械学習

背景:

• C ((sp3) -H機能化の領域選択性を予測することは,合成化学にとって極めて重要です.
• 現在の方法はしばしばモデル基板からの直感的な抽出に依存し,複雑な分子の精度を制限する.

研究 の 目的:

• C ((sp3) -H機能化の地域選択性を予測するための機械学習モデルを開発する.
• モデルトレーニングのための効率的なデータセットの策定におけるアクティブ・ラーニング戦略の有効性を調査する.
• 従来の反応性予測方法に対して量的なデータに基づく代替手段を提供すること.

主な方法:

• 既存の文献からダイオキシラン酸化に関するデータセットを整理した.
• アクティブ・ラーニングベースのデータセットの選択のための様々な取得機能を開発し,比較しました.
• 活性学習獲得機能におけるレバレッジされた予測反応性とモデル不確実性.
• 複合基板とC−H根のボリル化について実験的に検証した.

主要な成果:

• 反応性や不確実性を 組み込んだアクティブ・ラーニング・機能は 類似性に基づいた方法を上回りました
• 取得機能を使用したデータセットの管理は,必要なデータポイントの数を大幅に削減しました.
• 機械で設計された小さなデータセットは より大きなランダムに選択されたデータセットが失敗したときに 正確な予測を達成しました
• 開発されたワークフローは,アレン C−H 基のボリレーションにおける地域選択性を予測する適用性を示した.

結論:

• 機械学習モデルは,特にアクティブ・ラーニングでキュレーションされたデータセットでトレーニングされた場合,C-H機能化の地域選択性を予測するための強力で効率的なアプローチを提供します.
• このデータ主導の方法論は 複雑な分子に対する 量的な信頼性の高い代替手段を 提供しています
• 開発されたワークフローは予測プロセスを簡素化し,実験の努力を削減し,精度を向上させます.