摘要：基于经验知识，反应性能的准确预测，为高效分子设计铺平了道路。相比人类总结焦点数据集的反应知识，机器学习更大规模数据集的定量结构-性能关系，在访问整个化学空间时，就会更有效。

基于经验知识，反应性能的准确预测，为高效分子设计铺平了道路。相比人类总结焦点数据集的反应知识，机器学习更大规模数据集的定量结构-性能关系，在访问整个化学空间时，就会更有效。

今日，德国 哥廷根大学（Georg-August-Universität Göttingen）Xinran Chen， Lutz Ackermann等，浙江大学洪鑫Xin Hong等，在Nature Synthesis上发文，报道了一种多任务学习工作流程，并结合了一种基于机理的图神经网络，预测钌催化芳烃C–H功能化的位点选择性。

从同时进行的学习任务中，多任务架构获取相关知识。嵌入式反应图弥补了以前机理研究和反应表示之间的差距。随着这种机制嵌入，在由256个反应组成的已报道数据集上，所开发的多任务模型表现出了出色的内插和外推能力，平均位点选择性预测精度达到0.934，标准偏差为0.007。

预测范围从简单到稠合芳烃，甚至在包含14个未见实例的额外样品测试中，拓展到杂环吲哚衍生物。这种模型的解释，有助于通过密度泛函理论计算验证了对位选择性机理模型。

Integrating a multitask graph neural network with DFT calculations for site-selectivity prediction of arenes and mechanistic knowledge generation.

将多任务图神经网络与DFT计算集成，用于芳烃的位置选择性预测和机理知识生成。

图1:通过机器学习ML算法预测反应性能。

图2: 多任务图神经网络multitask graph neural network ，MT-GNN的数据收集和工作流程。

图3:多任务图神经网络MT-GNN的模型性能。

图4:多任务图神经网络MT-GNN的外推测试。

图5:多任务图神经网络MT-GNN模型的解释和DFT计算验证，从注意层提取的信息仿生机制模型。

文献链接

Chen, X., Zhang, ZJ., Hong, X. et al.Integrating a multitask graph neural network with DFT calculations for site-selectivity prediction of arenes and mechanistic knowledge generation.Nat. Synth(2025).

本文译自Nature。

声明：仅代表译者观点，如有不科学之处，请在下方留言指正！

来源：鱼大科技说