图 基于过渡态知识的反应建模策略

　　在国家自然科学基金项目（批准号：21873081、22122109）等资助下，浙江大学化学系洪鑫课题组与合作者德国哥廷根大学Lutz Ackermann教授在人工智能合成方面取得进展。研究成果以“基于过渡态知识的机器学习实现钯电催化氧化碳氢键活化反应的对映选择性预测（Enantioselectivity prediction of pallada-electrocatalyzed C–H activation using transition state knowledge in machine learning）”为题，于2023年1月30日在线发表于《自然•合成》（Nature Synthesis）。论文链接：https://www.nature.com/articles/s44160-022-00233-y。

　　不对称合成是构筑手性分子的核心策略，提升单一手性构筑水平是不对称合成研究的长期焦点。由于手性结构与对映选择性之间高维且复杂的构效关系，准确、全面地掌握手性调控规律极具挑战，制约了不对称合成体系的高效开发。因此，对映选择性的精准预测是不对称合成研究的难点问题之一。

　　从数据驱动的角度出发，该合作研究团队将人工智能技术与经典的过渡态理论相融合，提出了一种新的反应建模策略，实现了对映选择性的精准预测，并定量评估了近百万合成反应的选择性表现（图）。该策略以过渡态模板结构为基础，将过渡态知识融入机器学习，通过编码关键的反应中心，为模型训练提供具有反应路径特异性的分子编码。相较传统的稳态结构编码，基于过渡态编码的模型取得了更加优异的反应表达和外推预测能力，在新催化剂、新底物预测等任务中均有良好表现，预测值与实验值的R²达到了0.910，平均绝对误差为0.260 kcal/mol。该智能建模策略使得海量构效空间的定量评估成为可能，文中对于846720个候选反应进行了预测，并实验验证了其中代表性的例子，充分彰显了人工智能合成的潜力。

　　该工作揭示了化学理论的信息化、数据化对于反应智能建模的重要性，为数据驱动的合成反应预测提供了新策略，有望在新催化剂、新试剂和新反应设计等领域得到应用。