题目：Accelerated Chemical Reaction Optimization Using Multi-Task Learning
文献来源:https://doi.org/10.1021/acscentsci.3c00050 （central science）
代码：https://github.com/sustainable-processes/multitask
简介：C−H键的功能化是药物化学中的一个关键挑战，特别是对于基于片段的药物发现（FBDD），这种转化需要在蛋白质结合所必需的极性功能存在的情况下执行。最近的工作表明了贝叶斯优化（BO）对化学反应自优化的有效性；然而，在所有以前的情况下，这些算法程序都没有关于目标反应的先验信息。在这项工作中，作者探索了多任务贝叶斯优化（MTBO）在几个案例研究中的使用，通过利用从历史优化活动中收集的反应数据来加速新反应的优化。该方法随后被转化为现实世界的药物化学应用，在使用基于自主流的反应器平台优化几种药物中间体的产量优化。MTBO算法的使用成功地确定了不同底物的未知实验C−H活化反应的最佳条件。与行业标准的工艺优化技术相比，该方法是一种有效的优化策略，可以降低较多的潜在成本。研究结果强调了该方法作为药物化学工作流程中的一种可行工具的有效性，代表了数据利用和机器学习的逐步变化，其目标是加速反应优化。
主要内容：
-------------------------------------------
欢迎点赞收藏转发！
下次见！