“科研民工”再登Nature，机器学习连化学反应优化都搞定了！

Posted 2021-04-03 顶刊收割机

合成反应的优化对于化学研究和发现至关重要，无论是在开发生产救生药物的途径还是释放新材料的潜力。但是，反应优化需要反复进行实验，以平衡众多耦合变量之间经常相互冲突的影响，如反应底物、催化剂、试剂、添加剂、溶剂、浓度、温度和反应器类型，并且经常涉及在成千上万种可能的实验条件中寻找最佳条件（图1a）。然而，由于时间、成本和材料的限制，在标准的优化活动中，化学研究人员只能评估这些条件的一小部分。有经验的化学家也只能通过搜寻文献中相似的化学反应并根据经验，机理理解，经验数据和简单的启发法，只能将最有影响力的反应参数进行实验（图1b）。

贝叶斯优化（一种基于迭代响应面的全局优化算法）在机器学习模型的调整中表现出卓越的性能。贝叶斯优化还在化学近来应用于， 但尚未研究其在合成化学中用于反应优化的应用和评估。

为此，普林斯顿大学Abigail G. Doyle和Ryan P. Adams报告了贝叶斯反应优化框架和开放源代码软件工具的开发情况， 该工具可让化学家轻松地将最新的优化算法集成到他们的日常实验室实践中。

他们收集了钯催化的直接芳基化反应的大型基准数据集，对反应优化中的人为决策进行了贝叶斯优化与人为决策的系统研究，并将贝叶斯优化应用于光延反应（Mitsunobu）和脱氧氟化反应的优化工作中。基准测试是通过在线游戏完成的，该游戏将专家化学家和工程师的决定与实验室中进行的真实实验联系起来。该发现表明，贝叶斯优化在平均优化效率（实验数量）和一致性（结果与初始可用数据的差异）方面均优于人类决策。

总体而言，该研究表明，在日常实验室实践中采用贝叶斯优化方法，可以通过对运行哪些实验进行更明智的、数据驱动的决策，来促进功能化学品的更有效合成。相关结果以“Bayesian reaction optimization as a tool for chemical synthesis”为题发表在Nature期刊上。

图文导读

贝叶斯反应优化开始于通过实验设计收集初始反应结果数据，或者从现有结果中提取数据（图1c）。通过优化获取函数来依次选择反应空间中的新实验，该函数最大程度地提高了下一次评估的候选实验的预期效用。

图1 贝叶斯反应优化机制

为了满足研究人员的实验设计，他们选择了Suzuki–Miyaura（图2-1）和Buchwald–Hartwig反应（2a–2e）的钯催化交叉偶联数据用于贝叶斯优化的开发和评估，其目的是在数百种组合物和数千种可能的反应条中优化目标产物的产率。

图2 用于选择贝叶斯优化参数的训练数据

经过30多次随机初始化，该算法具有良好的性能，最坏情况下，只损失≤5％的产率。

图3 反应优化中的勘探与开发平衡

研究人员将贝叶斯优化应用于三个反应类别中，可改变多个反应参数，包括温度，溶剂和配体。在每种情况下，他们的算法使用多达312,500种可能的变量组合进行了大约50次测试实验，成功地确定了最佳反应条件。在与50名来自学术界和工业界的化学专家和工程师进行PK中，贝叶斯反应优化的平均表现优于人类，而且算法始终可以达到99％以上的产率（图4）。

图4 贝叶斯反应优化的统计验证

图5 贝叶斯反应优化的应用

Shields, B.J., Stevens, J., Li, J. et al. Bayesian reaction optimization as a tool for chemical synthesis. Nature 590, 89–96 (2021). https://doi.org/10.1038/s41586-021-03213-y

华算科技专注理论计算模拟服务 ，具有超强的技术实力和专业性。是同时拥有 VASP、Materials Studio、Gaussian商业版权 及其计算服务资质和海外高层次全职技术团队的正规机构！

 点击阅读原文，提交计算需求！