这篇Nature，颠覆认知！近150年历史的经典反应，又有新发现！

摘要：在化学研究领域，理解反应条件如何影响反应结果一直是一个核心挑战。尽管自动化平台已能并行生成数千个反应，但产物的纯化和产率定量分析仍然是瓶颈，受限于耗时且资源密集的分析技术。因此，我们对反应“超空间”（由反应条件定义的多维空间）的理解仍然零碎。

用机器人绘制化学反应地图，颠覆百年反应认知

在化学研究领域，理解反应条件如何影响反应结果一直是一个核心挑战。尽管自动化平台已能并行生成数千个反应，但产物的纯化和产率定量分析仍然是瓶颈，受限于耗时且资源密集的分析技术。因此，我们对反应“超空间”（由反应条件定义的多维空间）的理解仍然零碎。

为了系统性地探索这些超空间，韩国基础科学研究院Bartosz A. Grzybowski教授、姜炎秋博士课题组团队开发了一种低成本机器人平台，主要利用光学检测以前所未有的通量和每个条件的最低成本来量化产物和副产物的产率。他们通过扫描数千种条件下的超空间，发现并数学证明了对于连续变量，单个产率分布通常是缓慢变化的。同时，他们揭示了意外反应活性的超空间区域以及主要产物之间的转换。更重要的是，通过系统地调查底物比例，他们重建了潜在的反应网络，并揭示了隐藏的中间体和产物——即使是在研究了一个多世纪的经典反应中也是如此。这种超空间扫描方法为反应优化和发现提供了一个通用且可扩展的框架。相关论文以“Robot-assisted mapping of chemical reaction hyperspaces and networks”为题，发表在Nature杂志上，第一作者为Jia Yankai。

该机器人平台（图1a）是自主搭建的，成本低廉（约2.5万美元），能够支持各种有机溶剂和苛刻试剂，每天可执行和表征约1000个反应。研究人员利用紫外-可见光谱（UV-Vis）结合光谱分解算法，对每个反应点的粗混合物进行快速（每小时约100个样品）且低成本（每个样品几美分）的产率定量分析（图1c, d）。该方案的关键在于确保分解结果不违反反应化学计量限制（图1e），并且各组分光谱线性无关以避免“多重共线性”问题（图1f, g）。通过这些措施，产率估算误差可控制在5%以内（图1h）。此外，通过追踪实验光谱与拟合光谱的残差及其自相关性（图1i），算法还能检测超空间中特定区域的反常结果，提示可能存在未知产物。

图1 | 自动化反应平台及光学产率测定。 a. 自主搭建的低成本系统部件：(1) 水平龙门架；(2) 液体处理模块；(3) 移液器吸头架；(4) 储备溶液；(5) 54孔样品板；(6) UV-Vis分光光度计；(7) 用于溶液称重的天平。b. 由初始浓度 [A]₀、[B]₀ 和温度 T 定义的假设 A + B → C 反应空间。c. 对不同浓度下HPLC分离出的物种进行UV-Vis光谱测量（此处以图2a中的Claisen-Schmidt缩合为例）。d. 在条件空间的每个点上，将UV-Vis光谱（灰色）分解为来自c的组分光谱（此处近乎完美），从而量化粗混合物中这些组分的浓度/产率。e. 反应化学计量对粗混合物中组分可能浓度（蓝色）的限制。f. 完美线性依赖（“多重共线性”）示例，其中顶部子图中的棕色光谱恰好是青色和紫色光谱的线性组合（分别缩放0.50和0.25倍）。因此，解混是一个病态问题，因为整个混合物的光谱（黑色）可以分解为棕色、青色和紫色组分的无限多种组合。g. 图d中Claisen-Schmidt缩合组分A、B和C的相关矩阵。低非对角元素表明没有强多重共线性。h. 相对于限制试剂的产率统计分布。对同一粗混合物进行重复光学检测的相对标准偏差为2%，对相同条件整个工作流程进行实验重复的相对标准偏差为5%。i. 实验光谱与模型光谱（来自d）之间的差异随波长的变化。拟合是充分的，因为该轨迹非常类似不相关（“白”）噪声。

研究团队首先验证了该方法适用于多种广泛使用的反应类型。接着，他们探索了几种具有不同机理复杂度的经典反应类型的超空间。从简单的E1消除和SN1取代反应（图2a, b）开始，结果显示其三维产率分布（图2c, d）大致呈凹形，并稳定增长至全局最大值。数学分析表明这些产率曲面“平缓”，且在所有条件下仅检测到底物和产物，未发现异常（图2e, f）。这些丰富的产率数据使得即使仅基于单一时间点，也能拟合出合理的近似动力学模型，并推导出部分动力学和热力学参数。图2 | E1和SN1反应空间上的产率分布。 a, b. E1 (a) 和 SN1(b) 反应及其机理示意图。对于前者，我们使用9-丁基-9H-芴-9-醇底物 13a，对于后者，为防止消除，使用9-苯基-9H-芴-9-醇 14a。c, d. 产物 13b 和 14b 的相应产率分布。为清晰起见，每个立方体仅显示125个条件。标记颜色和大小与产率成正比。两个立方体的产率颜色标度相同。等产率面位于20%、40%、70%和85%。e, f. 动力学模型（曲线）拟合E1和SN1反应相对于醇的实验产率（圆圈）。为更好地可视化拟合质量，仅显示整个数据集的二维快照，此处E1为T = 21°C，SN1为T = 36°C。水平轴为HBr的初始浓度，颜色对应于图中所示醇的不同初始浓度。随后，研究人员在一个SN1反应（底物为15a）的超空间中，首次通过残差分析（图1i）发现了一个系统性的异常区域（图3d粉色区域）。该区域在低HBr浓度下形成了一种具有强烈粉红色的未知物种（图3e）。经过质谱分析和理论计算，该物种被归属为底物15a与其自身衍生的碳正离子中间体15c形成的二聚体15e。这是一种在环境条件下、存在淬灭亲核试剂时前所未见的反应性。

图3 | 存在异常结果的SN1反应空间。 a. 醇 15a 与HBr反应生成主要产物 15b（经由蒽基碳正离子 15c）的示意图。次要蒽醌产物 15d 源于底物 15a 与单线态氧的环加成反应生成内过氧化物，随后发生裂解。将“意外”的碳正离子二聚体结构归属于 15e。b. 主要产物 15b 在不同条件下的反应产率空间（反应时间：24小时；为清晰起见，仅显示1085个点中的125个）。等值面对应于20%、40%、70%和85%产率。c. 副产物 15d 的产率分布。等值面对应于20%产率。d. 粉色云标示出观察到的异常结果（即碳正离子二聚体 15e）的狭窄条件区域。e. 粉色线是在观察到异常结果的条件下区域的典型UV-Vis光谱。虚线是未出现此异常情况的典型实验光谱。蓝线是 15e 浓度为1.23 nM的从头算理论吸收光谱与虚线“基线”相加后的结果，蓝色波段是1σ置信区间。

为了寻找拓扑结构更复杂的超空间，研究人员研究了一个四组分Ugi型反应（图4）。在由四种初始浓度定义的四维超空间中，他们发现杂环产物16e存在两个截然不同的产率最大值：一个全局最大值（绿色星标）和一个局部最大值（蓝色星标）（图4a-d）。质谱分析显示两个最大值处存在不同的信号，暗示可能存在替代机制。然而，通过将实验超空间数据拟合到一个包含12个反应和15个质子转移步骤的动力学网络（图4i），发现仅基于经典Ugi机理即可实现出色的吻合（图4e-h），两个最大值的出现可归因于网络底物平衡的移动。

图4 | Ugi型四组分反应的实验和模拟超空间。 a–d. 反应四维超空间的快照。每个图的坐标轴是初始胺、醛和异腈的浓度，每个图上方的数字表示pTSA的初始浓度。产物 16e 的实验产率（在26°C下反应16小时后）根据d中的图例进行颜色编码。为清晰起见，每个立方体仅显示125个插值条件。绿色和蓝色星号标记两个不同的产率最大值。e–h. 通过同时拟合所有实验数据的动力学模型预测的 16e 相应产率分布（产率等值面为0.5%、1.0%、1.5%和5.0%）。该模型基于i中概述的动力学网络及进一步的副反应。j. 两个最大值处（a中的角落A和B）沿[pTSA]的实验和模拟产率分布，证实全局/局部最大值的产率高于连接它们的任何四维路径上的产率。误差棒对应于14.6%的相对标准误差。k. 全局和局部最大值处的初始浓度。

接下来，研究人员考察了已有近150年历史的经典Hantzsch吡啶合成反应（图5）。通过分析其四维超空间，并采用闭环的“拟合-纯化”循环策略（图5a），他们不仅识别了7种已知物种，还发现了9种新物种（图5c红色部分）。通过分析这些物种间的因果关系，他们重建了完整的Hantzsch反应网络（图5c）。对产率分布的分析（借助HPLC）进一步揭示，通过在80°C下调整底物浓度，该反应网络可以在三种不同的主要产物（19d19e19k）之间进行切换，每种产物的产率均超过60%，且其最大值位于条件立方体的不同角落（图5d-f）。这表明即使是不同的“命名反应”，实际上也可能属于同一个超空间。

图5 | Hantzsch反应网络的“可切换”超空间。 a. 通过闭环再纯化和针对四维超立方体UV-Vis光谱的重新拟合来识别反应产物。在八轮再纯化过程中，识别出16种组分（14种产物加上未反应的 19a 和 19c）。拟合光谱与实验光谱之间的失配（纵轴）降至仪器不确定性的中值（虚线绿线）。纵轴显示每个条件的最高光谱失配。箱线图元素表示第一四分位数、中位数和第三四分位数，须线显示第5和第95百分位数，异常值为黑色菱形。蓝色散点图显示个体数据点。b. 16种组分的UV-Vis“基组”。它们的发现遵循a中的循环。c. 反应网络：绿色，底物；蓝色，已分离的已知产物/中间体；红色，新产物/中间体。通过网络连接性通过独立反应（绿色箭头）验证。注意存在两个独立的“命名反应”的产物，Hantzsch (19d) 和 Petrenko-Kritschenko (19e)。d–f. 在超空间内，80°C下的反应网络可以在空间不同角落观察到的三种主要产物之间切换：Hantzsch酯 19d (d)；Petrenko-Kritschenko产物 19e (e)；亚苄基扩展的Hantzsch衍生物 19k (f)。这些产率（48小时后）通过HPLC定量，并根据图例进行颜色编码。等值面对应于20%、30%、40%、50%和60%产率。

最后，研究团队探索了一个五维组成空间，即普鲁士蓝类似物（PBA）催化剂中不同金属含量的变化（图6a, b）。机器人平台合成了756种不同组成的PBA，并用于催化苯乙烯环氧化反应。结果显示，该反应的产率超空间（图6c）比浓度-温度超空间更为“褶皱”，并包含多个局部产率最大值。同时，该超空间重构还揭示了先前未报道的中间体和副产物，有助于重建此前难以捉摸的机理网络（图6f）。

图6 | 催化剂组成的五维空间。 a. 756种PBA催化剂，通式为KMA[M6]，由机器人在独立样品瓶中通过共沉淀方法制备。b. 无论组成如何，这些纳米材料均为约50纳米大小的颗粒。通过能量色散谱确认了金属分布的均匀性。比例尺为20纳米。c. 通过光谱解混重构的苯乙烯环氧化的五维产率超空间。d. 通过光谱解混重构的苯乙烯氧化物选择性的五维超空间。e. 至少五种PBA（红色标记1–5）提供了比先前报道的PBA或其他对照更好的产率-选择性特征。f. 超空间重构揭示了先前未报道的中间体和副产物，并有助于重建一个先前难以捉摸的机理网络。

这项研究借助现代反应自动化技术，初步揭示了化学反应超空间的结构，强化了化学反应是嵌入在多维条件空间中的网络这一观点，并且这些网络至少在某些情况下可以在不同主要产物之间切换。这种快速、经济高效的超空间重构方法，不仅能够系统化和加速反应发现与优化，也将推动将反应网络作为动态系统的基础研究。未来，研究团队计划扩展机器人平台的能力，以分析更广泛的反应类型，并监测超空间随时间演化，从而重建高度非线性的反应机理。

Grzybowski教授简介

Grzybowski教授，h因子74，他引：26485，师从George M. Whitesides，现任韩国UNIST杰出教授、波兰科学院有机化学研究所教授。Grzybowski教授长期从事纳米技术、动态组装网络以及计算机辅助合成化学方向的研究并作出杰出贡献。迄今为止，他已在包括Nature、Science、Nature Materials、Nature Chemistry、Nature Nanotechnology、Nature Physics、Nature Methods、Nature Communications、PNAS、JACS、PRL、Angew. Chem.、Nano Lett、Adv. Mater.等杂志上发表文章230余篇。2016年荣获费曼纳米技术奖，表彰他在计算机辅助有机合成研究领域的杰出贡献。