一种用于不对称催化中选择性预测的元学习方法

快速阅读: 《Nature.com》消息，机器学习助力不对称催化反应：新方法通过元学习减少数据依赖，有效预测烯烃不对称加氢对映选择性，展现良好通用性，为数据匮乏时的反应开发提供支持，或引发化学合成领域新变革。

过渡金属催化的不对称有机反应在有机合成领域具有重要的现代意义。近期，机器学习（机器学习）在推动新型催化方案发展方面展现出潜力，但实验数据需求量大的问题可能成为其应用的一大障碍。在此背景下，我们提出了一种元学习的工作流程，能够利用从文献中提取的数据提取共享的反应特征，并且仅需少量实例即可预测新反应的结果。

我们采用原型网络作为元学习的方法，专注于预测烯烃不对称加氢的对映选择性。这一元学习模型在随机森林和图神经网络等流行机器学习方法的基础上，始终表现出显著的性能提升。通过不同规模的训练样本分析，展示了即便在数据有限的情况下，其依然保持有效性的特点。独立测试集上的优秀模型表现进一步验证了我们方法的通用适用性。我们相信，这项工作将在反应开发初期、数据极为有限时，为快速识别出有潜力的反应提供重要帮助。

这一研究成果有望在化学合成领域掀起新的变革，为未来的研究与工业应用开辟更广阔的前景。

(以上内容均由Ai生成)