希少なデータから移転可能なエナント選択性モデル

適切な触媒を見つける、より賢い方法

化学者はしばしば、薬や材料を改良するために炭素原子を非常に特定の三次元配列でつなぎ合わせようとします。「右手型」と「左手型」という微妙な違い、すなわちエナント選択性を得るには、多くの場合、金属触媒や反応条件を試行錯誤で調べる必要があります。本論文は、比較的少量の実験データと高速な計算手法を組み合わせて、幅広い反応において所望の手性を与えるニッケル系触媒を予測する方法を示しており、化学者の数週間から数か月分の実験工数を節約する可能性があります。

なぜ手性分子の制御は難しいのか

多くの医薬品や天然物は鏡像体として存在し、生体内でまったく異なる挙動を示すことがあります。ある鏡像体を選択的に形成する触媒は非常に価値がありますが、その設計は難題です。従来の量子化学は理論上どの反応経路が優勢かを計算できますが、わずかなエネルギー誤差が選択性の大きな誤予測につながり、計算も遅くなりがちです。一方で単純な統計モデルは高速ですが、反応機構が触媒や基質によって微妙に変化する場合に、金属触媒と反応分子の詳細な相互作用を見落としがちです。

反応における重要な瞬間をとらえる

著者らは、ニッケル触媒を用いるクロスカップリング反応の中で最も重要な段階、すなわち新しい炭素-炭素結合が形成されるステップと最終生成物が放出されるステップに着目して、このギャップを埋めています。高コストの高水準シミュレーションを行う代わりに、簡略化した量子手法を用いて多くの触媒と基質の組み合わせに対する重要な遷移状態や中間体の三次元構造を生成します。これらの構造から、触媒近傍の混み具合や電子の移動しやすさなど、物理的に意味のある数百の記述子を抽出します。これらの数値は、構造的特徴と実測された選択性を結びつける単純な線形回帰モデルに投入されます。

希少なデータから学び、新しい実験を導く

本研究の中心的な成果は、論文で通常報告されるような限られた触媒と基質の組み合わせという希少なデータを最大限に活用している点です。ケーススタディの一つでは、スチレンオキシドとアリールヨウ化物を結合させるニッケル反応を再検討しています。著者らは、最も関連性の高い遷移状態から得られる記述子が、簡略化した触媒フラグメント由来の記述子よりも優れていることを示しており、しかも基礎計算はより安価です。これらのモデルを用いて既存の基質ペアに対して仮想的に多くの配位子を評価し、特に難しい例でエナンチオマー過剰を向上させる新たな触媒候補を特定することで、多数の不要な実験を回避しています。

異なる反応間で知見を転用する

この手法が強力なのは、異なるが関連するニッケル触媒反応群に横展開できる点です。第二の研究群では、sp3混成炭素原子とアリールやアルケニルなどのパートナーとの間で結合を形成する、複数タイプのニッケル反応からデータを組み合わせています。条件やカップリング相手が異なっていても、機構的に意味のある同じ記述子群を用いてモデルを構築することで、新しい配位子や新しい基質組合せ、さらには訓練セットに含まれていなかった全く新しい種類の炭素-炭素結合形成反応のエナント選択性までも予測することに成功しています。どの記述子が重要かの解析は、各反応ファミリーで実際に手性を決定する触媒サイクル中のどの段階かを示唆することもあります。

化学者が新反応を速く立ち上げるのを支援する

最後の実証では、著者らは自らの記述子スキームをベイズ最適化プラットフォームと組み合わせて、これまで不斉反応として開発されていなかったベンジルアセタールとアリールヨウ化物のニッケル触媒カップリングを設計しています。文献にある別反応のデータを出発点として、モデルは試す価値のある少数の有望な配位子群を推奨し、わずか数十回の実験で最も性能の高いクラスに短期間で収束しました。化学者にとってこれは新しい触媒プロジェクトを「コールドスタート」する実用的なツールを意味します。初期の少数の結果を入力するだけで、どのキラル配位子が高いエナント選択性をもたらす可能性が高いかを示唆できます。総じて、この研究は注意深く選ばれた低コストの計算上の特徴量が、限られた過去データを次世代の選択的反応を構築するための広く有用な指針に変えうることを示しています。

引用: Gallarati, S., Bucci, E.M., Doyle, A.G. et al. Transferable enantioselectivity models from sparse data. Nature 651, 637–646 (2026). https://doi.org/10.1038/s41586-026-10239-7

キーワード: 不斉触媒反応, ニッケルのクロスカップリング, 化学における機械学習, 反応最適化, エナント選択性予測