随着化学大数据和人工智能（AI）模型跨越式的发展，数据驱动的合成反应精准预测近年来引起了广泛关注。由于合成反应构效关系高维且复杂的特性，催化剂、反应物甚至溶剂细微的结构变化都可能引起反应活性和选择性的显著改变。因此，开发一种高效、可靠的AI预测模型对于合成反应的智能设计至关重要。
近日，
浙江大学化学系洪鑫
课题组
基于有机化学中的立体与电子效应，设计了化学信息增强的分子图模型
(
s
terics- and
e
lectronics-embedded
m
olecular
g
raph,
SEMG
)，
并开发了体现反应组分协同效应的MIGNN框架，为反应活性和选择性预测提供一个全新的通用架构SEMG-MIGNN。
该策略实现了活性和选择性的精准预测，尤其展示了出色的外推能力，为数据驱动的合成反应预测和智能设计提供了新技术。相关研究发表在
Nature Communications
上。
在此项工作中，针对立体位阻和电子信息设计了相应的编码技术，从而优化了模型对化学信息的捕捉能力（图1）。位阻信息的编码基于课题组之前开发的球面投影技术（
Synlett
2021
32
, 1837），将原子周围的范德华表面表达为一个可视化的二维编码图。电子信息的编码则通过原子周围的电子密度采样，以一个三维张量的形式进行编码。针对分子图的每个原子节点进行化学信息的编码和嵌入，最终得到化学信息增强的分子图SEMG。此外，为了在建模中体现反应组分对于构效关系的协同影响，该工作提出了一个新型的模型架构——分子交互图神经网络（Molecular Interaction Graph Neural Network,
MIGNN
）。此架构通过注意力机制提升模型对于局部结构的捕捉能力，并运用矩阵算法让分子信息充分交互，从而提升模型对于多因素协同控制的学习能力。
SEMG-MIGNN被应用于Pd催化Buchwald-Hartwig偶联反应的产率预测以及手性磷酸催化的亚胺加成反应的对映选择性预测（图2）中。随机划分的预测结果表明，SEMG-MIGNN策略在产率和对映选择性的预测上均展示出了良好的准确性。此外，SEMG-MIGNN模型对于训练集中未出现的底物和催化剂表现出了优秀的外推预测能力，在大多数任务中超过了常见的反应建模手段。
图2. SEMG-MIGNN模型的对映选择性预测表现
SEMG-MIGNN模型在高预测精度的同时，提供了追溯立体效应及电子效应影响的评估能力（图3）。在Pd催化的Buchwald-Hartwig反应中，位阻信息编码的消除对产率预测影响较小，而电子信息编码的消除则影响较大。这表明电子效应对该反应产率起主导作用。而对于亚胺的不对称加成反应则恰恰相反，位阻信息对立体选择性的影响尤其显著，这也与之前该反应的机理模型Goodman Model一致。上述结果充分体现了化学信息的针对性嵌入对于模型化学可解释性的提升。
综上所述，本研究基于立体位阻和电子效应的编码嵌入，发展了化学信息增强的SEMG分子图，并通过强化分子之间的信息交互，设计了MIGNN架构。SEMG-MIGNN策略表现了反应活性和选择性的精准预测能力，且在外推预测任务中展示了优秀的表现。同时，由于立体和电子信息的明晰表达，该模型的化学可解释性得到了提升，能够区分立体位阻及电子效应对于构效关系的定量贡献。该工作为数据驱动的合成反应建模预测和智能设计提供了有力的技术支持。
Reaction performance prediction with an extrapolative and interpretable graph model based on chemical knowledge
Shu-Wen Li, Li-Cheng Xu, Cheng Zhang, Shuo-Qing Zhang & Xin Hong
Nat. Commun
.,
2023
,
14
, 3569, DOI: 10.1038/s41467-023-39283-x
本平台转载文章内容仅供参考，如涉及版权问题，请及时联系将已删除。
转载请注明来
源。
|【6月28号上海】
高尖端胶粘剂材料技术创新开发与应用论坛
|【6月28号北京】
工业管道材料设计选用案例讲解及问题解答培训班
|
【6月30号苏州】
第二期含氟精细化学品及新材料高级研修班
|
【7月6号济南】
精细化工新材料产业发展论坛暨新工艺、新设备交流研讨会
|【7月14号苏州】
第五届医药化工合成路线设计、工艺优化及案例解析研讨班
|【7月26号杭州】
化工工艺系统及化工装置工艺设计培训班
|
【7月28号杭州】
高性能分离膜制备与膜分离技术应用研讨会
