N-(4-bromo-2-fluorobenzyl)cyclobutylamine

• 分子结构分类: 有机化合物 - 苯类化合物 - 苯和取代衍生物
• 英文名称: N-(4-bromo-2-fluorobenzyl)cyclobutylamine
• 英文别名: N-[(4-bromo-2-fluorophenyl)methyl]cyclobutanamine
• 化学式: C₁₁H₁₃BrFN
• 分子量: 258.133
• InChiKey: GOGSSXDBFZSDRF-UHFFFAOYSA-N

计算性质

• 辛醇/水分配系数(LogP)：
  3
• 重原子数：
  14
• 可旋转键数：
  3
• 环数：
  2.0
• sp3杂化的碳原子比例：
  0.45
• 拓扑面积：
  12
• 氢给体数：
  1
• 氢受体数：
  2

反应信息

• 作为反应物：
  描述：

  N-(4-bromo-2-fluorobenzyl)cyclobutylamine 在 吡啶 、 4-二甲氨基吡啶 、 tris-(dibenzylideneacetone)dipalladium(0) 、 caesium carbonate 、 4,5-双二苯基膦-9,9-二甲基氧杂蒽 作用下， 以 1,4-二氧六环 、 二氯甲烷 为溶剂， 反应 32.0h， 生成 N-cyclobutyl-N-(2-fluoro-4-(4-(trifluoromethyl)piperidin-1-yl)benzyl)-1-phenylmethanesulfonamide
  参考文献：
  名称：

  利用机器智能自动设计和评分新型 ROR 配体的束搜索**

  摘要：

  化学语言模型使得从头药物设计成为可能，无需明确的分子构建规则。虽然此类模型已应用于生成具有所需生物活性的新型化合物，但最有前途的计算设计的实际优先级排序和选择仍然具有挑战性。在这里，我们利用化学语言模型学习的概率和束搜索算法作为自动分子设计和评分的模型固有技术。该方法的前瞻性应用产生了视黄酸受体相关孤儿受体（ROR）的新型反向激动剂。每种设计均可通过三个反应步骤合成，并对 RORγ 呈现出低微摩尔至纳摩尔的效力。这种模型固有的采样技术消除了对外部化合物评分函数的严格需求，从而进一步扩展了生成人工智能在数据驱动的药物发现中的适用性。

  DOI：

  10.1002/anie.202104405
• 作为产物：
  描述：

  环丁基胺 、 4-溴-2-氟苯甲醛 在 溶剂黄146 、 三乙酰氧基硼氢化钠 作用下， 以 1,2-二氯乙烷 为溶剂， 反应 50.0h， 以73%的产率得到N-(4-bromo-2-fluorobenzyl)cyclobutylamine
  参考文献：
  名称：

  利用机器智能自动设计和评分新型 ROR 配体的束搜索**

  摘要：

  化学语言模型使得从头药物设计成为可能，无需明确的分子构建规则。虽然此类模型已应用于生成具有所需生物活性的新型化合物，但最有前途的计算设计的实际优先级排序和选择仍然具有挑战性。在这里，我们利用化学语言模型学习的概率和束搜索算法作为自动分子设计和评分的模型固有技术。该方法的前瞻性应用产生了视黄酸受体相关孤儿受体（ROR）的新型反向激动剂。每种设计均可通过三个反应步骤合成，并对 RORγ 呈现出低微摩尔至纳摩尔的效力。这种模型固有的采样技术消除了对外部化合物评分函数的严格需求，从而进一步扩展了生成人工智能在数据驱动的药物发现中的适用性。

  DOI：

  10.1002/anie.202104405

文献信息

• Beam Search for Automated Design and Scoring of Novel ROR Ligands with Machine Intelligence**
  作者：Michael Moret、Moritz Helmstädter、Francesca Grisoni、Gisbert Schneider、Daniel Merk

  DOI：10.1002/anie.202104405

  日期：2021.8.23

  Chemical language models enable de novo drug design without the requirement for explicit molecular construction rules. While such models have been applied to generate novel compounds with desired bioactivity, the actual prioritization and selection of the most promising computational designs remains challenging. Herein, we leveraged the probabilities learnt by chemical language models with the beam search

  化学语言模型使得从头药物设计成为可能，无需明确的分子构建规则。虽然此类模型已应用于生成具有所需生物活性的新型化合物，但最有前途的计算设计的实际优先级排序和选择仍然具有挑战性。在这里，我们利用化学语言模型学习的概率和束搜索算法作为自动分子设计和评分的模型固有技术。该方法的前瞻性应用产生了视黄酸受体相关孤儿受体（ROR）的新型反向激动剂。每种设计均可通过三个反应步骤合成，并对 RORγ 呈现出低微摩尔至纳摩尔的效力。这种模型固有的采样技术消除了对外部化合物评分函数的严格需求，从而进一步扩展了生成人工智能在数据驱动的药物发现中的适用性。