Py学习  »  机器学习算法

Nature|哈佛大学与默克公司提出机器学习驱动的池化–去卷积算法,加速多元催化协同发现

智药邦 • 11 月前 • 264 次点击  

2025年11月3日,哈佛大学与默克公司在Nature上发表文章Accelerating the discovery of multicatalytic cooperativity。

研究亮点

本研究针对多元催化体系协同效应发现高度依赖经验、难以系统探索的核心瓶颈,提出了一套融合数学覆盖设计与实验池化策略的通用催化协同发现框架。该方法突破了传统筛选中面临的巨大组合空间、负协同干扰强、命中率极低等关键挑战,通过池化–去卷积算法实现对未被预期的协同组合的高效识别,在真实催化体系中成功重现已知协同作用并发现全新的高效配体协同组合。这一方法的提出显著解决了催化协同缺乏系统性探索手段的长期难题,为今后在更大规模、更复杂催化体系中开展自动化催化剂发现、反应条件优化与机制研究提供了全新的技术路径,对高通量实验、智能催化设计与反应工程学具有深远而广泛的影响。

图文解析

图1:催化协同效应经验发现的挑战与机遇

图1展示了本研究的背景与核心问题,说明为什么需要建立新的催化协同发现框架。图1a展示了两类典型的协同催化形式:左侧为同源协同(homocooperativity),如手性环氧化物开环反应中多个相同催化剂承担不同功能;右侧为异源协同(heterocooperativity),如光催化与过渡金属协同的双催化体系,以及用于对映选择性构筑的双催化策略。图1b展示了本研究提出的“池化–去卷积(pooling–deconvolution)”工作流程的核心思想。左侧为传统group testing识别个体阳性的示意图;右侧为本研究如何通过构建催化剂池、测量反应性能并进行去卷积,来快速识别协同催化组合的流程框架。

图2:池化–去卷积算法的开发与基于模拟的参数优化

图2展示了如何基于数学覆盖设计构建池化方案,并通过模拟评估算法的灵敏度与效率。图2a展示了覆盖设计(covering design)的核心参数:pool 大小 k、子集大小      t、冗余度 r,并说明如何确保每一对催化剂至少共同出现于多个池中。同时给出了如何计算协同评分 Q(基于池性能)与 去卷积分数 D(基于不同池的平均 Q)。图2b 展示了整个计算模拟流程,从定义反应空间、构建假设协同矩阵、生成landscapes,到多次模拟池化–去卷积的表现,以获得灵敏度与效率的统计分布。图2c 展示了如何根据模拟结果选择最优池化参数(例如 N=50 时可选 (k,t,r) = (10,3,1))用于真实实验,确保协同对不被抑制效应掩盖。

图3:在手性 3-苯基氧杂环开环反应中对池化–去卷积流程的实验验证

图3展示了算法在已知协同体系中的实验验证,证明其准确性与可行性。图3a 展示了验证反应体系:TMSCl 促进的手性 3-苯基氧杂环(2a)开环反应,以及包含 11 种有机小分子催化剂 的候选池,并列出了它们的单独反应产率。图3b-1 展示了根据模拟选择的最优参数 (k,t,r) = (4,2,1) 构建的 11 个催化剂池,以及每个池的实验产率和协同评分 Q。图3b-2 展示了通过去卷积计算得到的所有催化剂对的 D 值矩阵,用于判定哪些组合最可能具有正协同效应。图3b-3 展示了对 D 值最高的 4 对催化剂进行逐对验证的结果,并成功重新识别出文献中已知的协同组合 1a + 1c,且在优化条件下反应活性和对映选择性均进一步提升。

图4:将池化–去卷积流程用于发现 Pd 催化脱羰 Suzuki–Miyaura 反应中的配体协同作用

图4展示了本研究方法在未知反应体系中的实际应用,从 72 个配体中成功识别新的高效协同配体对。图4a 展示了目标反应(脱羰 Suzuki–Miyaura 偶联)的现有条件、改进空间,以及如何利用分子描述符 PCA 分布挑选 72 种商业化膦配体(50 单齿 + 22 双齿)构建候选库。图4b-1 展示了基于模拟选定的池化参数 (k,t,r) =      (6,2,2),并利用机器人自动加样与 96 孔高通量体系进行池化实验。图4b-2 展示了所有池的反应结果,以及经去卷积得到的 2556 对配体的 D 值分布图。图4b-3 展示了对排名前 48 的高 D 值配体对进行验证的结果,证明这些组合明显富集协同效应,相比随机选取的 37 对对照组具有更高的正协同概率。图4c 展示了最终验证成功的三组顶级协同配体(如 L70/L72,Q=4.4),它们在更低 Pd/配体用量、80 °C 条件下即可实现高产率,显著优于文献条件。

结论与展望

本研究构建了一个对机理无依赖、具有高度扩展性的 催化协同发现框架,通过将数学覆盖设计、实验池化策略与去卷积分析深度融合,实现了在庞大催化组合空间中的高效搜索与精准辨识。该方法在实际体系中成功验证其高灵敏度、高效率与抗干扰性,不仅能够重现已知的协同催化对,更能够发现此前完全未知的高效协同配体组合,显著降低了反应所需的金属和配体负载,并推动了反应条件的温和化与可操作性提升。研究表明,基于池化–去卷积的策略可作为促进自动化高通量实验、智能催化剂开发、反应条件优化的核心模块。展望未来,该框架有望扩展至三元及更高维度的协同体系,并与机器学习驱动的反应优化、机器人化实验平台深度耦合,从而为复杂催化网络的机制解析及下一代 数据驱动催化创新 提供重要方法基础,并推动化学反应开发走向真正的体系化、可预测与可规模化探索。

参考资料:

https://doi.org/10.1038/s41586-025-09813-2

参考来源:

https://mp.weixin.qq.com/s/pun3hFvGTF3wqtxuSrnkNw

--------- End ---------

感兴趣的读者,可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/190160