合成適用性ドメイン（SynAD）：信頼性の高いAI駆動型反応予測のための化学空間のナビゲーション

科学分野:

• 有機合成化学
• 人工知能
• 機械学習

背景:

• 人工知能（AI）は、仮説評価を加速し、実験努力を削減することにより、有機合成に革命をもたらしています。
• 主な制限は、AIモデルが新しい触媒、基質、または条件を持つ未知の反応を予測できないアウトオブディストリビューション（OOD）の問題です。
• 反応結果の正確な予測は、効率的な創薬と材料科学にとって重要です。

研究 の 目的:

• 有機合成におけるAIモデルの予測能力を評価するための機械学習フレームワークであるSynADを導入すること。
• AIモデルがカバーする化学空間内で、信頼性の高い反応と信頼性の低い反応を自動的に区別すること。
• 化学者にAI予測を信頼し、新規発見のために戦略的にリソースを割り当てるためのツールを提供すること。

主な方法:

• SynADは、化学記述子とモデル適応型距離尺度を組み合わせて、合成適用性ドメインを定義します。
• このフレームワークは、ウルマン配位子データセット（ULD）およびその他の6つの反応データセットで検証されました。
• 反応クラスの予測可能性を定量化するためにSynADスコアが開発されました。

主要な成果:

• SynADは、予測可能な化学空間を正常に区別し、ULDでR² = 0.90（カバレッジ12.3%）の予測精度を達成しました。これは、ベースラインのR² = -0.21から大幅に改善されました。
• このフレームワークは、複数のデータセットで一貫したパフォーマンスを示し、その一般化可能性を確認しました。
• SynADスコアは、反応クラスの予測可能性を効果的に定量化し、実験の焦点を導きます。

結論:

• SynADは、有機合成におけるAI予測能力の限界を定義するための重要なフレームワークを確立します。
• 信頼性の高い反応空間を特定することにより、SynADは化学者がAIツールを信頼し、実験リソースの割り当てを最適化することを可能にします。
• このアプローチは、AI駆動型研究に不可欠なガードレールを提供することにより、新規分子発見のペースを加速します。