Chem. Rev.：化学反应的机器学习

兔兔

2021-06-08

应用于化学反应的机器学习（ML）技术有着悠久的历史。目前的贡献讨论了从小分子反应动力学到反应规划计算平台的应用。基于ML的技术尤其适用于涉及计算和实验的问题。首先，贝叶斯推理是一种强大的方法，可以开发与实验知识一致的模型。其次，基于ML的方法还可以用于处理传统方法在形式上难以解决的问题，比如反应碰撞中状态到状态信息的详尽表征。最后，使用机器学习的神经网络电位，可以显式地模拟反应网络在燃烧过程中发生的情况。有鉴于此，巴塞尔大学Markus Meuwly等人综述了机器学习技术可以解决和已经解决的问题，并展望了在这个多样化和刺激的领域中面临的挑战。

本文要点：

1）本综述侧重于化学反应的机器学习。首先，讨论了用ML生成模型或使用实验观测观察到的结果。接下来是从反应势能表面计算反应速率和路径。这种表面的生成也受益于ML技术，如迁移学习和Δ-learning。第4节讨论了ML在涉及酶的反应及其进化中的应用。

2）接下来，回顾了ML在有机反应，特别是逆合成和单分子分解反应中使用质谱作为检测技术的情况。最后，概述了机器学习技术在整个反应网络中的应用。

3）未来的挑战是关于反应结果、速率和（内部）状态分布准确、定量和详尽的确定。结合机器人平台，可以使用ML和贝叶斯技术优化反应收率和反应条件。在酶设计领域，利用基于ML的方法结合实验可以显著提高酶的周转率，而在蛋白质与配体的相互作用和识别方面，蛋白质结构预测的最新进展将提供重要的见解。

ML应用于化学问题，有可能改变该领域在研究和学术教学中处理化学反应问题的方式。

Markus Meuwly. Machine Learning for Chemical Reactions. Chem. Rev. 2021.

DOI: 10.1021/acs.chemrev.1c00033.

https://pubs.acs.org/doi/10.1021/acs.chemrev.1c00033