从稀疏数据中可迁移的对映选择性模型

寻找合适催化剂的一种更聪明方法

化学家常通过将碳原子以非常特定的三维排列方式连接起来，来寻找更好的药物和材料。实现那种微妙的“右手性”与“左手性”差异——即对映选择性——通常需要通过大量试错来测试金属催化剂和反应条件。本文提出了一种方法，利用相对少量的实验数据结合快速的计算，预测哪些基于镍的催化剂能在广泛的反应中给出期望的手性，从而有可能为化学家节省数周或数月的实验工作。

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

关键词: 不对称催化, 镍交叉偶联, 化学中的机器学习, 反应优化, 对映选择性预测