在化工研發中，催化劑的設計決定了工藝開發的速度、成本與產率。但真正實現體系化研究極具挑戰，具體而言，電子效應、空間效應、溶劑環境、構象柔性與過渡態穩定性等因素高度耦合，且對催化劑的骨架或取代基稍作改變，其結構空間就會呈指數級膨脹，產生成百上千的候選結構。雖然“分子模擬×AI”的趨勢愈發明顯，但如Catalysis-Hub、OpenCatalystProject現有平臺仍偏數據庫模式，無法圍繞具體體系做深度定制，也難以讓分子模擬、自動化計算與機器學習真正閉環協同。因此，一個真正可落地、能大幅降低試錯成本的“一體化催化劑智能設計平臺”成為解決企業催化劑研發難題的迫切需求。鑒于此，我們開發了新的催化劑平臺：只需輸入催化劑結構與實驗數據，即可自動采集催化反應中的關鍵結構、構建分子集合、生成機理相關描述符并構建性能預測模型，全流程自動化、低門檻。

 圖1. 選擇的測試反應:8-氨基喹啉移氫化反應

    為了驗證平臺對真實體系的適配能力，我們復現了發表在頂級期刊Chem的手性磷酸（CPA）催化體系(Chem,2023,9(6):1518-1537.)。原研究以8-氨基喹啉氫化為模型反應，使用高精度DFT（PW6B95(D3)/cc-pVTZ//PW6B95(D3)/6-31G+(d,p)）計算了500+描述符，這個過程包括篩選出20個訓練集分子，對它們進行構象搜索、DFT幾何結構優化、高精度能量計算以及量子化學描述符計算，最終以最低能量構象中氮原子的Hirshfeld電荷與磷酸氧的CHELPG最小電荷作為雙參數模型解釋反應選擇性。我們將論文中提供的結構與實驗數據輸入平臺后，系統自動完成三步：采集催化劑實驗性能數據；識別反應過程中不同類別的骨架結構；并自動為不同骨架補全取代基生成多批候選分子。隨后平臺在后臺自動完成結構優化、描述符計算與模型訓練，用戶幾乎無需額外操作。需要說明的的是我們催化劑平臺靈活度高，支持多個精度的計算化學計算方法，以及內嵌多種機器學習模型方法。該測試案例選擇基于低精度的xTB計算方法，預測模型根據預測效果自動化選擇。

以下為各步驟具體內容：

第一步：采集多個催化劑的反應參數數據以及催化性能數據，如下圖2所示；

 圖2. 催化劑的反應參數數據以及催化性能數據

第二步：采集多個催化劑的不同類別反應過程的分子骨架，以及對分子骨架的關鍵信息進行采集，如下圖3所示；

 圖3. 催化反應過程重要分子骨架結構采集

第三步：針對性地對第一步中不同催化劑補充分子骨架的取代基，如下圖4所示。

 圖4. 催化反應過程骨架取代基采集

    完成以上三步即完成了催化反應輸入信息的采集，接下來經過自動化計算后，即可完成預測模型的構建，如下圖5所示是最終訓練的預測模型。通過篩選可以得到最終選擇性模型（如下圖6所示）和產率模型（如下圖7所示）。

相關標簽