第一作者：Yusei Hisata

通訊作者：Yoichi Hoshimoto

通訊單位：日本大阪大學

論文速覽

在合成化學領域，基于化學信息學的機器學習（ML）已被用于確定最佳反應條件，包括催化劑結構。然而，在使用路易斯酸性主族元素的催化分子轉化的背景下，這種以ML爲重點的策略在很大程度上仍未被探索，這可能是由于缺乏候選庫和預測主族元素活性的有效指導方針。

本研究利用基于化學信息學的機器學習（ML）方法，優化了合成化學中的反應條件，包括催化劑結構。研究團隊構建了一個三芳基硼烷的計算機模擬庫，並應用ML輔助方法，確定了最佳的硼烷催化劑B(2,3,5,6-Cl4-C6H)(2,6-F2-3,5-(CF3)2-C6H)2 ，該催化劑在4-甲基四氫吡喃存在下對苯胺衍生的氨基酸和肽與醛和氫氣催化還原烷基化，表現出顯著的官能團兼容性，並且僅生成水作爲副産品。

圖文導讀

圖1：本研究的概念和策略，包括三芳基硼烷在催化還原烷基化中的作用，以及通過計算機模擬庫輔助識別最優硼烷的過程。

圖2：構建的三芳基硼烷計算機模擬庫，以及用于獲取實驗參數（每小時周轉頻率TOF）的模型反應。

圖3：利用高斯過程回歸（GPR）對Bxy進行優化，展示了不同模型預測的TOF值，並與實驗TOF值進行了比較。

圖4：探索理論參數，包括EDEF和Mulliken電荷，以及它們在預測TOF值中的應用。

圖5：優化了反應條件，探索了更環保的路易斯堿溶劑，並比較了使用MTHP和THF作爲溶劑時的活化能。

圖6：探索B4b催化的還原烷基化反應對各種添加劑的官能團兼容性。

圖7：B4b和MTHP組合在還原烷基化反應中的應用範圍，包括不同氨基酸和肽衍生物的烷基化。

總結展望

本研究成功地應用了計算化學和機器學習方法來設計和優化三芳基硼烷催化劑，這些催化劑在還原烷基化反應中表現出優異的性能。通過構建計算機模擬庫和使用高斯過程回歸分析，研究團隊不僅確定了最優的催化劑結構，還發現了4-甲基四氫吡喃(MTHP)作爲路易斯堿溶劑的優勢。

該研究不僅提高了合成效率，還減少了環境影響，展示了在綠色化學和可持續化學合成中的巨大潛力。未來的工作可能會進一步探索和優化這些催化劑的性能，並將其應用于更廣泛的化學反應中。

文獻信息

標題：In-silico-assisted derivatization of triarylboranes for the catalytic reductive functionalization of aniline-derived amino acids and peptides with H2

期刊：Nature Communications

DOI：10.1038/s41467-024-47984-0