一天之内,完成50000+次化学反应。
放在以前,一名合成化学家,一个星期能做完二三十个反应已经算高产。五万组,靠人手动做,干到退休都未必做得完
但最近 JACS上的这篇论文,直接干出50688 组 C‑N 偶联微型反应,超‑高通量实验(ultra‑HTE)火力全开,在有机催化领域撕开一道新口子!
所谓C‑N 偶联,也就是大名鼎鼎的 Buchwald‑Hartwig 反应(总是陪跑诺奖的那个),是制药行业构建药物分子的高频操作。大家玩得炉火纯青,可考虑成本。使用更便宜的镍、铜催化一直坑很多。
过去文献有个致命痛点:钯、镍、铜的实验条件各玩各的,三者共同覆盖的条件空间不足 1%。数据支离破碎,靠AI 大模型想学跨金属催化规律,根本就是无米下锅。
基于此,这篇文章的研究人员玩了一把 “豪赌式实验设计”:不疯狂筛五花八门底物,死死固定 2 套底物,疯狂轰炸反应条件!
33 种金属催化剂、166 种配体、17 种碱、4 套溶剂、3 档温度,所有排列组合拉满,1 μL 微液滴在 1536 孔板里并行反应。机器人自动配液、自动控温、自动质谱读数据,五万多组实验一气呵成。
并且过去高通量大多都是噱头,一般找到 “一个最优条件” 就收工了。 而这一次,研究人员把好反应、烂反应、无效反应、无金属空白对照全部保留。一点一滴都不浪费,专门用来喂给机器学习模型。
在海量数据摊开的那一刻(SI数据高达1.3 TB就很离谱,所以只能托管在云存储平台),筛选出了一些颠覆认知的意外结果:
比如:有没有一套配体,钯镍铜全都能用?
答案是有!
QPhos、CyJohnPhos、NHC 这些卡宾配体被筛选出来,同一套反应配方,居然可以同时适配钯、镍两种金属。 NHC 配体尤为神奇:和不同金属成键强度波动极小,不像膦配体换金属直接 “水土不服”。甚至同一 NHC 配体,Pd/Ni/Cu 三者都能实现 C‑N 成键。
更颠覆认知的是:没有金属催化剂,反应居然也能发生?!
大量无金属对照组显示:在强碱环境下,就算把钯镍铜全部拿掉,照样拿到 C‑N 偶联产物。一开始大家以为只是普通的 SNAr 取代。可数据里冒出大量位置异构副产物,实锤是芳炔介导的背景反应,这远比整个行业过去想象的更加普遍!
质谱只能看分子量。目标产物和芳炔产生的异构体,分子量一模一样。 也就是说,过去很多文献、高通量筛选,只看质谱数据,很可能把背景副反应当成了金属催化成果,虚假高估收率,污染训练数据集!就连默克标准药物测试底物库,都出现大量这类异构体。
五万组数据摆在眼前,暴露出一个行业隐形陷阱。高通量实验之后,合成化学未来往哪走?
这篇工作绝不只是 “做了很多反应” 这么简单,它预示实验化学正在迎来巨大转向,AI时代真要变更传统有机合成方法学的底层逻辑了:
1️⃣ 不再只追求 “最优条件”,坏数据价值被重新重视过去做实验,失败数据经常直接扔掉。但 AI 训练恰恰需要大量失败案例。未来高通量不会只追逐高产,会系统性采集成功 + 失败 + 空白对照全套数据,构建完整 “反应全景图”。
2️⃣ 跨金属迁移学习会成为催化研发主流贵金属钯的实验数据浩如烟海,但镍、铜这类廉价金属数据稀缺。像本文这种,刻意制造多金属重叠条件空间的数据集,未来会越来越多。目标:用钯的数据,教会 AI 直接设计镍、铜的催化方案,摆脱对贵金属的依赖。
3️⃣ 高通量≠只看质谱!机理陷阱必须纳入筛选流程这次踩坑提醒所有人:只靠质谱判断反应成功与否风险巨大。未来超‑高通量工作流,必须配套异构体分辨、机理对照实验,区分 “催化剂真的在干活” 和 “背景反应浑水摸鱼”。
4️⃣ 实验‑AI 闭环成为实验室标准范式五万条全部开源公开,附带基准测试任务:收率预测、选择性预测、成本优化。未来会出现更多类似公共数据集,化学家做实验,AI 提出条件,高通量机器人批量验证,再把结果反哺模型,形成闭环迭代。
当然,现在 AI 依然不够完美,即便是这套高质量数据集,最优模型 R² 也仅 0.77。距离真正 “一键输出完美反应条件” 还有很长距离。
但毫无疑问:靠化学家一点点试错的时代正在褪色。以万为单位的超‑高通量实验,正在重塑催化研发的底层逻辑。
这样来看,传统有机合成方法学就太Low了,以后靠几十个底物拿到的数据想发好一点的文章基本是妄想。
文章来源:Das, J.; Zhang, X.; Tan, Y.; Abdelalim, M.; Lu, T.; Mauro, C.; Regan, C. J.; Cernak, T. A 50,688‑Reaction Data Set Reveals General Ligands and Mechanistic Diversity in C−N Couplings. J. Am. Chem. Soc. 2026, 148, 26401−26412. DOI:10.1021/jacs.6c05959
热门跟贴