2026年6月2日,浙江大学张鹏鹏、西湖大学陆海华在Journal of the American Chemical Society发表了题为"Concise Total Synthesis of (+)-Shearilicine: A Machine Learning-Assisted Strategy for Ligand Optimization of an Enantioselective Palladium-Catalyzed α-Arylation"的研究论文,Fu-Qiang Ni、Zhihao Wang为论文第一作者,张鹏鹏、
陆海华为论文通讯作者。本文报道了在机器学习辅助设计新型Pd催化α-芳基化反应配体的促进下,实现(+)-shearilicine的简短对映选择性全合成。利用支持向量回归模型,预测了高度官能化的环己酮与咔唑进行芳基化反应的对映选择性。通过对120余种BI-DIME型配体进行虚拟筛选,识别出有前景的候选配体用于实验验证,从而显著提高了这一挑战性芳基化反应的对映选择性。该合成路线的其他显著特征包括:通过温和的硅烷导向分子内烯丙基环化构建最终的六元碳骨架,以及通过单线态氧介导的Achmatowicz-Ali重排构建6,8-二氧杂双环[3.2.1]辛烷环系。咔唑生物碱具有独特的三环芳香体系,由一个五元含氮杂环两侧各稠合一个苯环构成。这类天然产物来源广泛,结构多样,并展现出有趣的生物活性。自1872年Graebe和Glaser从煤焦油中分离出母体化合物9H-咔唑,以及93年后Chakraborty及其同事分离出首个天然咔唑生物碱murrayanine以来,已鉴定出大量咔唑生物碱,根据Knölker分类法可划分为超过12个亚类。
萜类咔唑生物碱是一个引人入胜的亚家族,并受到了合成界的广泛关注。例如,Li、Garg、Baran、Trotta、Krische、Sarpong和Bisai等研究小组已成功实现了tubingensins、xiamycins、oridamycins和dixiamycins等分子的精彩全合成。他们采用了多种精妙的合成策略,包括通过阳离子、自由基和芳炔介导的(多)环化反应构建反式十氢萘环系,以及通过串联6π电环化/芳构化反应构筑芳香咔唑母核。
(+)-Shearilicine于2019年由Proksch及其同事从一株内生青霉菌中首次分离得到,是萜类咔唑生物碱家族中一个结构和生物活性都很独特的成员。它含有一个高度官能化的6,8-二氧杂双环[3.2.1]辛烷结构单元,该结构单元此前曾在paspaline来源的吲哚二萜类化合物中出现过。值得注意的是,shearilicine是该家族中首个将此双环单元与稠合十氢萘骨架的咔唑核相结合的报道成员。
这些前所未有的结构特征为化学合成带来了独特而苛刻的挑战。初步生物学评价显示,(+)-shearilicine对小鼠L5178Y淋巴瘤细胞和人A2780卵巢癌细胞具有显著的细胞毒性。Shearilicine罕见的6/5/6/6/6/6/5杂环系统被认为在介导这些细胞毒性中起着关键作用。这些特性使shearilicine成为一个极具吸引力的合成靶标。此外,开发实用的合成路线对于进一步的结构修饰和深入的生物学研究至关重要。
2023年,Newhouse课题组以(R)-香芹酮为原料,仅通过11步完成了(+)-shearilicine的首次全合成。他们采用杂-Pauson-Khand环加成和串联Pd催化区域选择性Heck/芳构化反应分别构建了反式十氢萘环系和咔唑母核。最近,Bisai课题组通过24步反应,以Noyori型还原和通过炔烃活化的高效路易斯酸催化烯-炔环化为特色,完成了(+)-shearilicine及epi-shearilicine的催化不对称全合成。
尽管这些方法都很出色,并且考虑到多种咔唑的易得性,我们首选的策略是在合成之初就引入咔唑单元,以最大化分子片段的“信息”含量,从而最小化后期合成操作。具体而言,我们设想使用分子间过渡金属催化的对映选择性α-芳基化反应,将高度官能化但易于合成的呋喃稠合环己酮与咔唑连接起来。
这一操作不仅能连接两个“信息丰富”的片段,还能构建具有挑战性的全碳季碳立体中心。同时,我们假设剩余的中心六元环系可以通过分子内Friedel-Crafts型环化反应构建,而6,8-二氧杂双环[3.2.1]辛烷环系则可以通过温和的单线态氧介导的Achmatowicz-Ali反应来组装。
自Buchwald、Palucki以及Hartwig、Hamann课题组对金属催化酮的直接α-芳基化反应进行开创性研究以来的几十年间,该领域取得了令人振奋的进展。Pd催化α-芳基化反应方法在结构复杂分子的合成中已展现出其实用性。例如,2011年,Hartwig及其同事报道了Pd催化的对映选择性α-芳基化在全合成(−)-taiwaniaquinone H和(−)-taiwaniaquinol B中的应用。
然而,此后尽管涌现了大量由手性过渡金属催化剂(如Pd、Ni和Cu)介导的对映选择性α-芳基化反应,但其在天然产物全合成中的进一步应用却鲜有记载。这种稀缺性部分归因于为特定底物寻找合适手性配体需要进行大量的实验工作。此外,对相关体系的计算机理研究表明,对映选择性的起源可能源于非对映异构的Pd-烯醇配合物的形成,也可能源于还原消除步骤。这些路径的相对重要性似乎根本上由所涉及的底物和配体的结构特征所决定。
除了传统的实验策略,化学信息学方法,特别是定量结构-选择性关系分析,长期以来一直是发现和解析不对称催化反应的强大工具。这些方法极大地增强了对机理的理解,并改变了化学家识别和优化反应的方式。近年来,该领域见证了数据驱动模型带来的变革性进展,在合成化学中实现了前所未有的能力,包括对反应活性和选择性的准确预测、反应优化和自动化合成平台,以及高效的逆合成设计。
尽管取得了这些显著进展,但利用计算模型来促进复杂天然产物的全合成仍然相对罕见,并依然面临着重大挑战。为了补充和加速实验方法,本文探索了整合机器学习方法来优化环己酮11与咔唑12的Pd催化α-芳基化反应的对映选择性。我们开发了一个机器学习辅助的配体发现流程,采用支持向量回归模型来预测这一关键转化的对映选择性。
利用虚拟筛选的高效率,在训练好的机器学习模型的指导下,合理设计并合成了一系列新型BI-DIME型配体,从而发现了对该α-芳基化反应具有优异对映选择性的新型配体。据我们所知,这是机器学习方法在过渡金属催化α-芳基化反应中的首次应用。最终,我们实现了(+)-shearilicine的简洁催化不对称全合成,从而证明了小数据驱动的机器学习模型在推进对映选择性全合成中的有效性。
图1:(+)-shearilicine的逆合成分析与机器学习辅助配体设计策略。(a)代表性的含咔唑天然产物。(b)(+)-shearilicine的逆合成分析。(c)机器学习辅助的配体设计。图2:机器学习辅助配体优化的工作流程与模型性能。(a) 机器学习辅助配体优化的整体工作流程。(b) UMAP嵌入特征空间中样本的二维散点图。(c) 不同机器学习模型性能的箱线图比较。(d) SVR模型在训练集和测试集上的性能。(e) 针对R1、R2、R3和R4结构修饰的虚拟筛选。(f) 选定实验验证的结果:a在100 °C下运行;b在60 °C下运行。该研究通过机器学习辅助的配体设计策略,优化了钯催化α-芳基化反应的对映选择性,实现了天然产物(+)-shearilicine的简洁对映选择性全合成。利用支持向量回归模型对120余种BI-DIME型配体进行虚拟筛选,成功获得新型配体V51,将这一挑战性芳基化反应的对映选择性提升至90% ee(60°C)。
该合成路线从(R)-香芹酮出发,采用一锅法溴代/Suzuki偶联制备关键环己酮底物,经Pd催化α-芳基化(90% ee)构建全碳季碳中心,通过硅烷导向的分子内烯丙基环化构筑最后六元碳环,再经Sharpless不对称二羟基化和单线态氧介导的Achmatowicz-Ali重排完成6,8-二氧杂双环[3.2.1]辛烷环系的构建,最终完成(+)-shearilicine的全合成。
该工作首次将机器学习方法应用于过渡金属催化的α-芳基化反应配体优化,基于仅32个实验数据的SVR模型实现了对未知配体对映选择性的可靠预测(MAE仅0.14 kcal/mol),展示了小数据驱动ML模型在不对称合成中的实用价值。这一策略为复杂天然产物全合成中关键转化条件的快速优化提供了新范式。
Concise Total Synthesis of (+)-Shearilicine: A Machine Learning-Assisted Strategy for Ligand Optimization of an Enantioselective Palladium-Catalyzed α-Arylation, Journal of the American Chemical Society, 2026,https://doi.org/10.1021/jacs.5c21637