本文介绍篇由科学院上海药物研究所杨伟波团队和浙江大学侯廷军团队作发表于Chem的关于从头新反应发现（denovoreactiondiscovery）的研究论文。在该研究中，作者提出了种三角关联策略（TriangleAssociationStrategy,TAS），通过挖掘已知反应之间由共同反应物建立的关联关系，系统地提出潜在的新反应组，并进步构建反应条件关联度（DegreeofReaction-ConditionCorrelation,DRCC）指标，从已有反应数据中筛选具有较兼容的催化剂、配体、碱和溶剂等反应条件。与此同时，研究团队构建了反应判别经网络（ReactivityDiscriminationNeuralNetwork,RDN），将其作为立的辅助评价工具，对TAS生成的候选反应空间进行计验证和优先排序。基于这策略，研究团队成功发现了6种此前未见报道的过渡金属催化反应，涵盖两组分反应和多组分联反应，并进步实现了中等环硅杂环及大环分子的构建。该工作为从已有反应知识中系统拓展未知反应空间提供了种新的数据驱动研究框架西宁PVC管道管件粘接胶，有望为药物化学、复杂分子成及分子发现提供新的反应法学工具。

研究背景

新成键反应的发现是动有机成化学持续发展的核心动力之。过去个世纪中，新型化学反应不断拓展可成分子的结构空间，并为药物、材料及其他分子的发现提供了重要基础。然而，与已经度体系化的反应优化和成路线规划相比，“如何系统地发现个此前未知的新反应”仍然是成化学中的基础难题。传统的新反应发现通常依赖研究人员的化学直觉、偶然发现（serendipity）或大规模通量筛选，不仅探索空间巨大，而且往往伴随着较的时间和实验成本。

近年来，人工智能和数据驱动法开始广泛应用于有机成域，包括反应结果预测、反应条件优化、催化剂设计、成路线规划以及反应机理分析等任务。例如，机器学习已被用于预测Buchwald–Hartwig胺化中的多维反应参数应，也可用于控制自动化成平台和探索化学反应。然而，现有法的主要能力仍集中于已知反应类别内部的预测、优化和知识外，其搜索空间通常受到已有反应模板、文献知识或预定义化学规则的限制，因此对于真正意义上的从头新反应发现仍存在明显局限。

针对这问题，研究团队尝试从“反应之间是否存在可以系统挖掘的关联关系”这角度重新思考新反应发现（图1）。作者受到社会网络中节点关联关系的启发，提出三角关联策略TAS：如果反应物a可以与反应物c发生反应，同时反应物b也可以与c发生反应，那么a与b之间存在发生新反应的潜在可能。例如，硼酸与芳基卤化物之间可以进行Suzuki偶联，胺与芳基卤化物之间可以进行Buchwald–Hartwig胺化，而硼酸与胺之间同样可以通过Chan–Lam偶联形成新的成键关系。这意味着，以共同反应物为“桥梁”，已知反应网络可能蕴含尚未被直接探索的反应组。研究团队据此将传统在巨大化学空间中近似随机寻找新反应的过程比喻为“needle-in-a-haystack”，而TAS则通过反应关联预先缩小候选空间，将其转变为有针对的“fishing-in-a-pond”式探索。

图1.新反应发现策略及TAS总体工作流程示意图。

三角关联策略与反应条件关联度

TAS的核心并不是直接通过机器学习模型“生成”种新反应，而是先利用化学上具有明确含义的共同反应物建立已知反应之间的关联关系，并由此产生待验证的新反应假设。对于三种反应物a、b、c，若已知存在a+c和b+c两类反应，则TAS将尚未知晓的a+b组作为候选反应，并进步利用已报道反应的条件信息评估这候选反应的理（图2）。

为了对这种关联关系进行定量描述，作者进步提出了反应条件关联度DRCC。研究中分别将与反应物a、b、c有关的全部反应条件定义为集A、B和C。先西宁PVC管道管件粘接胶，通过A和B两个条件集的交并比计直接条件相关：

随后考虑共同反应物c的作用，计由c介的条件关联程度：

前者反映反应物a和b在全部已知反应中的条件重程度，而后者进步限定在共同反应物c所定义的反应环境中，评价a和b所对应反应条件的致。如果TAS假设成立，则通过共同反应物c建立的条件关联应当能够有地聚焦潜在兼容条件，即

与

之间应表现出显著相关关系。

研究团队在30组TAS反应组上进行统计分析后发现，两类DRCC指标之间具有较强的正相关，Pearson相关系数达到r=0.8010，对应p=1.0560×10⁻⁷，从统计学层面支持了TAS所建立的反应关联关系。同时，在所分析体系中，

通常低于相应的

，说明共同反应物c能够进步收缩和聚焦a与b之间可能兼容的反应条件空间。

基于这规律，研究团队建立了相应的反应条件筛选式：先优先考察A∩B∩C中共同出现的催化剂、配体、碱、溶剂等条件；如果三者交集为空或者所得结果不理想，再进步从A∩B等条件空间中寻找可能的组。由此，DRCC不仅用于判断候选反应之间的关联程度，还可以进步作为新反应实验条件搜索的定量依据，从而减少随机的条件筛选。

图2.TAS的建立及DRCC统计学验证。

结果与讨论

反应判别经网络对TAS候选空间的立评价

为了进步检验TAS是否能够富集具有潜在反应的分子组，研究团队建立了个立训练的反应判别经网络RDN（图3）。需要特别指出的是，在该研究中，机器学习并非承担自主发现新反应的角，而主要作为固定的辅助评价工具，用于比较TAS所定义的候选反应空间与随机选择或直接条件相似筛选得到的候选空间之间是否存在系统差异。

图3.基于RDN的TAS计基准评价。

RDN训练数据来源于OpenReactionDatabase（ORD）和USPTO反应数据。研究团队利用反应模板和Faiss分子相似搜索产生候选反应物组，并通过模板选择网络进步构建可能发生反应和较难发生反应的样本。在此基础上训练多层感知器模型，根据两个反应物的分子指纹估计二者之间的潜在反应。终RDN在立测试集上的准确率为72.72，F1分数为73.62。在TAS的基准评价中，研究团队进步构建了包含85,200个已知阳反应物对的候选集，其中31,448对来自RDN测试集，53,752对来自立的Reaxys反应数据，泡沫板橡塑板专用胶并排除了与RDN训练集存在反应物对重叠的样本。在统使用固定RDN进行评价后，252个由TAS筛选得到的已知阳反应物对获得了88.10的RDN预测阳率，其bootstrap95置信区间为84.13–92.06。相比之下，从全部候选空间随机采样、在具有条件交集的候选空间中随机采样以及依据直接条件相似进行Top-K选择的预测阳率分别为80.23±2.50、80.37±2.49和57.02±2.73。值得注意的是，由于该基准集本身由已知阳反应构成，因此这里的88.10并不是实验“命中率”或普通分类准确率，而是固定RDN对不同候选选择策略产生的已知阳反应物对所给出的预测阳率。这分析主要说明，与随机选择和直接反应条件相似筛选相比，TAS定义的候选空间在立反应模型下表现出明显的反应特征富集。

TAS指两组分新反应发现西宁PVC管道管件粘接胶

在完成统计和计验证后，研究团队进步将TAS应用于实际的新反应发现（图4）。先，作者选择C–H活化体系作为测试对象。以2-乙酰基吡啶、含CF₃的不饱和酮和B₂Pin₂构建三角关联关系：已有研究表明，2-乙酰基吡啶可以与B₂Pin₂发生C–H硼化，而不饱和酮可以与B₂Pin₂发生Michael加成。基于SciFinder收集相关反应条件后，计得到，提示1a和1b之间可能存在新的反应路径。

图4.TAS指的两组分新反应发现及反应条件优化。

依据DRCC所确定的条件空间，初始筛选采用CuI、1,10-菲咯啉、K₂CO₃和叔丁醇等条件，终发现了种此前未报道的铜催化C–H活化/环丙烷化反应。随后在A∩B条件空间内对催化剂、配体、碱和溶剂进行贝叶斯优化，经过4轮优化后，目标产物分离收率提至96。此外，基于TAS的条件筛选还发现了种新的氧介C–H活化反应，其详细结果作为该研究的6种新反应在补充材料中进行了报道。

随后，研究团队将TAS进步应用于allenone相关反应。对于二个体系，作者利用已知反应构建三角关联后得到

。在Pd(dba)₂、XPhos、Cs₂CO₃和甲苯条件下，次筛选即获得约13的目标产物。经过5轮逐因素优化后，产率提至80，并建立了稳定可重复的反应案。该反应能够有抑制allenone体系常见的1,2-烷基迁移，并保留相应的立体化学信息。

在三个体系中，研究团队进步尝试通过allenone与silacyclobutane构建此前较为罕见的[4+4]环加成反应。TAS分析显示，

。初始条件即可获得约10的八元含硅环产物，随后经过传统逐因素优化，57次实验将产率提至96。为了进步评价数据驱动条件优化的率，研究团队又引入带有先验知识的贝叶斯优化，仅通过4轮、7次实验即找到优条件，而随机采样预计需要约29次实验。这结果进步展示了TAS确定初始搜索空间后与条件优化法相结的潜力。

从两组分反应进步拓展至多组分反应和大环构建

在两组分反应取得成功后，研究团队进步探索TAS能否用于加复杂的多组分反应（MulticomponentReactions,MCRs，图5）。多组分反应能够在单反应体系中同时构建多个化学键，在提步骤经济、降低分离纯化需求以及快速构建复杂分子面具有重要价值。

为了在不改变TAS基本逻辑的情况下将其扩展至多组分体系，作者设计了由前体d和e原位生成反应物a的策略，并继续利用a、b、c之间的三角关联关系进行反应条件断。基于这设计，研究团队发现了两种不同的Rh(III)催化双C–H活化反应。进步分析发现，在由DRCC确定的初始条件中，催化剂、氧化剂和碱等多个条件维度均与相关已知反应表现出明显的致，进步支持了利用反应网络关联断未知反应条件的可行。在此基础上，研究团队将其中的Rh(III)催化双C–H活化反应进步应用于大环化。通过在底物之间引入不同类型的连接基团，包括芳基酰胺、醚和酯等结构，可以有构建28元大环分子，并获得具有成实用的产率。大环化物在药物发现中具有特殊价值，其较大的分子表面积和三维构象特征使其能够参与传统小分子较难调控的蛋白质相互作用界面，因此这些产物样大环骨架也为后续分子和药物先结构探索提供了新的化学空间。

图5.TAS指的多组分反应发现及大环化应用。

结论

本研究提出了个面向从头新反应发现的数据驱动三角关联策略TAS。与直接在庞大反应空间中随机搜索不同，TAS以共同反应物作为连接已知反应的“桥梁”，通过系统挖掘反应网络中的三角关联关系生成潜在的新反应假设，并进步利用DRCC对候选反应的条件兼容进行定量分析，从而同时实现对候选反应空间和实验条件空间的聚焦。立训练的RDN进步表明，TAS选择的候选反应物组相较随机采样和直接条件相似策略表现出明显的反应特征富集。基于TAS和DRCC，研究团队终发现了6种此前未报道的过渡金属催化反应，覆盖两组分反应、多组分联反应、C–H活化、环加成及大环化等不同反应模式，并进步实现了八元含硅环及28元大环等复杂结构的成。值得注意的是，该工作的核心并非建立个自主生成新反应的人工智能模型，而是通过化学反应网络关联、反应条件数据和机器学习辅助评价之间的协同，将新反应发现从度依赖偶然和经验的探索过程进步转向可系统提出假设并进行优先筛选的数据驱动过程。

目前，TAS仍在定程度上依赖研究人员对候选底物及反应关联的经验选择。作者指出，未来可进步引入、氧化电位和电子应等机理相关描述符，以减少对经验底物选择的依赖，并将TAS拓展至加多样的反应类型。总体而言，该研究为利用已有化学反应知识系统探索未知反应空间提供了种新的研究思路，也为数据科学与实验成化学协同动新反应、新骨架及潜在药物分子的发现提供了新的法学基础。

参考资料

BianY.,WangX.,MaX.,etal.Atriangleassociationstrategyfordenovoreactiondiscovery.Chem13,103204.相关词条:储罐保温     异型材设备     钢绞线厂家    玻璃丝棉厂家    万能胶厂家

奥力斯    PVC管道管件粘结胶价格     联系人：王经理    手机：18231788377（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区/p>

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定西宁PVC管道管件粘接胶，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。