具有挑战性的对映选择性和非对映选择性钴催化的 C-H 烷基化已通过创新的数据驱动知识转移策略实现。

近日，哥廷根大学Lutz Ackermann, 浙江大学Xin Hong利用相关转换的统计数据作为知识源，设计的机器学习 (ML) 模型利用增量学习并实现准确和外推的对映选择性预测。

文章要点

1）在知识转移模型的支持下，研究人员对 360 种手性羧酸的广泛虚拟筛选导致发现了一种具有有趣呋喃基部分的新型催化剂。进一步的实验证实，预测的手性羧酸可以对目标 C-H 烷基化实现出色的立体化学控制，支持快速合成具有 C-中心和 C-N 轴手性的大型取代吲哚库。

2）机器学习方法提供了一个强大的数据引擎，通过利用可用结构性能统计数据的隐藏价值来加速分子催化的发现。

参考文献

Data-driven design of new chiral carboxylic acid for construction of indoles with C-central and C–N axial chirality via cobalt catalysis, Nat Commun, 2023

DOI: 10.1038/s41467-023-38872-0

https://doi.org/10.1038/s41467-023-38872-0