Deep learning for asymmetric catalysis

Motivation

• Known: 비대칭 촉매의 입체선택성을 예측하는 것은 오랫동안 계산화학의 중대한 과제였으며, DFT 기반 전산 모델과 통계적 데이터 기반 접근법이 각각 개발되어 왔다. 특히 신경망 기반 모델들이 복잡한 비선형 관계를 포착할 수 있다는 것이 알려져 있다.
• Gap: 기존의 기계학습 모델들은 상당한 양의 양자화학 기술자 계산을 요구하거나, 물리적 근거 없이 R/S 입체화학적 표기법에 의존하는 문제가 있었다. 또한 다양한 촉매 시스템에 대한 사전 예측 능력이 제한되었으며, 특히 저표현 분자들에 대한 예측 정확도와 메커니즘 해석 능력이 부족했다.
• Why: 비대칭 촉매는 신약, 농약, 신소재 개발에 필수적이며, 현재 촉매 시스템의 최적화는 여전히 경험적 방법에 의존하고 있어 비용과 시간이 많이 소요된다. 따라서 계산적으로 입체선택성을 정확히 예측할 수 있는 모델 개발은 화학 산업과 학계 모두에 매우 중요한 실질적 가치를 가진다.
• Approach: ChemAHNet은 세 개의 독립적인 모듈로 구성되어 있다: 관련 작용기를 식별하는 모듈, 이들 특징을 통합하는 모듈, 그리고 기질-촉매 상호작용을 포착하는 모듈이다. 모델은 SMILES 텍스트 입력만 사용하며, DFT 계산 기술자를 필요로 하지 않는 화학적으로 정보가 풍부한 딥러닝 접근법을 채택한다.

Achievement

Fig. 1 | Enantioselectivity prediction with the ChemAHNet model. a, Predicting the level and sense of enantioselectivity

ChemAHNet 모델의 성과: 다양한 올레핀, 금속, 키랄 리간드에 걸쳐 입체선택성을 예측할 수 있다; 양자화학 비용 제거: 비싼 DFT 기술자 대신 SMILES 기반 입력만으로 작동한다; 해석 가능성: 원자 단위의 중요도 점수로 예측을 분해하고 시각화할 수 있다; 전이 가능성: 유기촉매 켤레 첨가, 키랄 인산 촉매 티올 첨가 등 메커니즘적으로 다른 반응들로의 전이를 시연한다; 물리적 기반: R/S 분류 대신 배위 기하학을 중심으로 하여 물리적 근거를 확보한다.

How

Fig. 1 | Enantioselectivity prediction with the ChemAHNet model. a, Predicting the level and sense of enantioselectivity

모듈식 아키텍처: 부분구조 특징 추출과 상호작용을 분리된 모듈로 처리; 화학 사전지식 통합: 금속 중심으로의 올레핀 배위 모드와 추가 작용기의 상호작용에 중점; 텍스트 기반 입력: SMILES를 사용하여 계산 비용 최소화; 회귀 및 분류 작업: 입체선택성의 수준과 방향을 동시에 예측; 외삽 범위 검증: 특정 금속이나 리간드를 학습 데이터에서 제외하여 견고한 예측 성능 시연.

Originality

메커니즘 인식형 아키텍처: 전이금속 촉매 수소화의 메커니즘과 반응 성분 간의 상호작용 방식으로부터 영감을 얻은 신경망 구조; 배위 기하학 기반 접근: R/S 관례 대신 물리적으로 의미 있는 배위 기하학을 우선시하는 설계; 다중 기질-촉매 통합: 별개의 반응 성분으로부터의 특징을 유기적으로 통합하는 방법론.

Limitation & Further Study

저표현 분자 예측의 어려움: 문헌에서 저표현된 기질과 촉매에 대한 예측 정확도가 제한됨; 메커니즘적 해석의 한계: anti "lock-and-key" 모티프와 같은 비대칭 수소화의 물리적 근원을 양자화학 모델처럼 직접 추론할 수 없음; 후속 연구 필요: 모델이 포착할 수 없는 미묘한 입체효과, 전자효과, 입체전자 효과의 개선이 필요함; 모델 일반화의 한계: 메커니즘적으로 다른 반응으로의 전이가 가능하나, 모든 비대칭 촉매 반응에 대한 보편적 적용성은 추가 검증 필요.

Evaluation

총평: 이 News & Views는 비대칭 촉매의 입체선택성 예측이라는 오랜 계산화학적 과제를 해결한 ChemAHNet 모델을 효과적으로 소개한다. 화학적 사전지식을 신경망에 통합하면서도 계산 비용을 크게 줄인 실용적 접근법으로서, 촉매 및 기질 설계에 즉시 적용 가능한 도구로서의 가치가 크다. 다만 저표현 분자에 대한 예측 한계와 메커니즘적 해석의 불완전성은 향후 개선 과제이다.