successfully applied this method to identify-through-quantification the most general catalyst chemotype for an organocatalytic asymmetric Mannich reaction and predicted the most general chiral phosphoric acid catalyst for the addition of nucleophiles to imines. The mechanistic basis for catalyst generality can then be gleaned from the calculated values by deconstructing the contributions of chemical space and
开发可在各种底物或反应范围内提供高对映选择性的手性催化剂是许多催化剂设计工作的优先事项。虽然有几种方法可用于帮助识别通用催化剂系统,但目前没有简单的程序可以直接测量给定催化剂的通用性。在此,我们提出了一种以无监督机器学习为中心的与催化剂无关的工作流程,该工作流程能够快速评估和量化催化剂的普遍性。该工作流使用精选的文献数据集和反应描述符来可视化和聚类
化学空间覆盖。然后可以应用该反应网
络通过设计者方程推导催化剂通用性指标,并与其他回归技术相结合以进行一般催化剂预测。作为验证案例研究,我们已成功应用此方法通过量化识别有机催化不对称曼尼希反应的最常见催化剂
化学类型,并预测最常见的手性
磷酸催化剂用于将亲核试剂加成
亚胺。然后可以通过解构
化学空间和对映体过量对总体结果的贡献,从计算值中收集催化剂普遍性的机械基础。最后,我们的通用技术允许开发机械信息催化剂筛选集,使实验者能够合理选择在第一轮反应开发中最有