Гибридный подход на основе машинного обучения для прогнозирования региоселективности бори́лирования аренов, катализируемого иридием
Hybrid Machine Learning Approach to Predict the Site Selectivity of Iridium-Catalyzed Arene Borylation
2023-07-31
SCID: 54.1/bb8qqw3u
Discuss with AI
сайт борилирования (SoBo)теория функционала плотностигибридная вычислительная модельиридиевый катализсайт-селективное борилирование аренов
Figures from the paper
Abstract (AI)
Борилирование арильных и гетарильных связей C–H имеет большое значение для региоселективной функционализации связей C–H в сложных молекулах. Иридиевые катализаторы с бипиридиновыми лигандами катализируют борилирование связи C–H в арене, которая является наиболее кислотной и наименее стерически затруднённой; однако прогнозирование положения борилирования в молекулах, содержащих несколько аренов, представляет сложность. Для решения этой задачи мы разработали гибридную вычислительную модель, прогнозирующую положение борилирования (Site of Borylation, SoBo) в сложных молекулах. Модель SoBo объединяет теорию функционала плотности, полуэмпирическую квантовую механику, хемоинформатику, линейную регрессию и машинное обучение для прогнозирования региоселективности и экстраполяции этих прогнозов на новое химическое пространство. Экспериментальная валидация SoBo показала, что модель прогнозирует основное положение борилирования в фармацевтических интермедиатах с более высокой точностью, чем ранее разработанные модели машинного обучения или эксперты-люди, демонстрируя, что SoBo будет полезна для планирования экспериментов по борилированию определённых связей C(sp2)–H в процессе разработки лекарственных препаратов.
Key Findings
1
Гибридная модель Site of Borylation (SoBo) предсказывает региоселективность иридий-катализируемого борилирования C–H-связей аренов и гетероаренов.
2
Экспериментальная валидация показала, что SoBo точнее ранее разработанных моделей машинного обучения и экспертов при определении основного сайта борилирования фармацевтических интермедиатов.
3
SoBo может направлять эксперименты по функционализации конкретных C(sp2)–H-связей при разработке лекарственных препаратов.
4
SoBo объединяет теорию функционала плотности, полуэмпирическую квантовую механику, хемоинформатику, линейную регрессию и машинное обучение.
5
Модель решает сложную задачу предсказания сайта реакции в молекулах, содержащих несколько аренов, и экстраполирует предсказания на новое химическое пространство.
Research Object
Иридий-катализируемое борилирование арильных и гетероарильных связей C–H в сложных молекулах, содержащих несколько аренов
Research Subject
Селективность положения борилирования, в частности прогнозирование основного положения борилирования с учетом кислотности связи C–H и стерической затруднённости
Publication Details
Publication Date
2023-07-31
Journal
Publisher
ISSN
Cited by
72
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai8
Термохимия функционала плотности. III. Роль точного обмена1993
Scikit-learn: машинное обучение на Python2012
Последовательная и точная аб initio параметризация поправки дисперсии для функционалов плотности (DFT-D) для 94 элементов H–Pu2010
SciPy 1.0: фундаментальные алгоритмы для научных вычислений на языке Python2020
Программирование массивов с использованием NumPy2020
Аб иницио расчёт спектров вибрационной абсорбции и кругового дихроизма с использованием потенциалов силы теории функционала плотности1994
SciPy 1.0: фундаментальные алгоритмы для научных вычислений на языке Python2019
Расширенные методы квантовой химии на основе tight-binding2020