Institute of Organic Chemistry, Polish Academy of Sciences

Przewidywanie reaktywności i enancjoselektywności na podstawie ograniczonych danych eksperymentalnych pozostaje jednym z głównych wyzwań w katalizie asymetrycznej, w której rozwój reakcji często opiera się na niewielkich zbiorach danych dotyczących zakresu substratowego, uzyskanych we własnym laboratorium, zamiast na szeroko zakrojonych badaniach przesiewowych. W niniejszej pracy pokazujemy, że takie zbiory można wykorzystać do tworzenia praktycznych narzędzi wspomagających podejmowanie decyzji, jeśli proces opracowywania modeli uwzględnia ograniczenia właściwe badaniom chemicznym z niewielką ilością danych. Na przykładzie katalizowanych magnezem reakcji epoksydowania chalkonów i addycji tia-Michaela opracowaliśmy procedurę uczenia maszynowego łączącą, w uzasadnionych przypadkach, klasyfikację reaktywności z regresją enancjoselektywności, z wykorzystaniem wewnętrznie spójnych danych laboratoryjnych. Porównawcza ocena modeli wykazała, że klasyfikacja reaktywności może zachować wiarygodność nawet w bardzo jednorodnych zbiorach danych o wysokim nadmiarze enancjomerycznym (ee), natomiast wiarygodna regresja enancjoselektywności wymaga szerszego rozkładu selektywności oraz starannej oceny zakresu stosowalności modelu. Prospektywna walidacja eksperymentalna z wykorzystaniem wcześniej niebadanych substratów potwierdziła, że modele odzwierciedlają użyteczne zależności między strukturą a reaktywnością oraz selektywnością, zamiast jedynie dopasowywać się do danych historycznych. Wyniki te wyznaczają realistyczne ramy stosowania uczenia maszynowego do poszerzania zakresu substratowego reakcji asymetrycznych w warunkach ograniczonej ilości danych, dostarczając praktycznych wskazówek dotyczących wyboru substratów do badań oraz wspomagania katalizy metodami sztucznej inteligencji.