Transferable enantioselectivity models from sparse data

Motivation

Known: DFT 기반 가상 스크리닝은 계산 비용이 높고 작은 에너지 오차가 큰 예측 오류를 초래한다. MLR 방법은 빠른 가상 스크리닝을 가능하게 하지만 희소 데이터 환경과 메커니즘 변화에 취약하다.
Gap: 희소 데이터에서 과적합을 피하면서도 기질 구조 변화에 따른 에난티오결정 단계의 변화를 명시적으로 설명할 수 있는 전이 가능한 모델이 부재했다.
Why: 비대칭 촉매 반응 최적화는 높은 계산 비용과 제한된 실험 데이터라는 제약 속에서 신속하게 수행되어야 하므로, 희소 데이터에서 학습한 정량적 지식을 새로운 화학공간으로 이전할 수 있는 방법이 중요하다.
Approach: 메커니즘 특이적 매개변수화 전략으로 촉매 관련 구조(전이상태, 중간체)에서 추출한 특징을 저비용 spGFN2-xTB 수준으로 계산하여 MLR 모델을 구축하고, Ni 촉매 C(sp3) 커플링 반응을 사례 연구로 검증했다.

Fig. 3 | Benchmarking. Ni/photoredox-catalysed coupling of styrene oxides

희소 데이터 기반 높은 예측력: 제한된 실험 데이터로부터 학습한 MLR 모델이 기질 특이적 리간드 최적화와 미학습 기질·리간드 조합에 대해 높은 에난티오선택성 예측력을 시연했다.
메커니즘 유연성: 에난티오결정 단계가 기질 또는 리간드 변화에 따라 달라지는 복잡한 반응을 명시적으로 모델링할 수 있는 프레임워크를 개발했다.
계산 효율성: DFT 대신 spGFN2-xTB를 활용하여 대규모 전이상태/중간체 라이브러리를 생성하는 비용을 대폭 감소시켰다.
전이 가능성 검증: 같은 기본 단계를 공유하는 여러 반응으로 학습한 모델이 완전히 새로운 반응과 미학습 리간드 스캐폴드로 성공적으로 외삽 가능함을 입증했다.

Fig. 2 | Computational workflow. Computational pipeline for high-throughput optimization and descriptors calculation of

촉매 관련 구조(전이상태·중간체)에서 직접 특징을 추출하되 저비용 xTB 수준으로 수행함으로써 높은 전이성과 계산 효율성을 동시에 달성한 점이 기존 접근과 차별화된다.
메커니즘 변화(에난티오결정 단계 변경)를 명시적으로 처리할 수 있는 descriptor 전략으로, 기존의 '데이터 기아' 상태의 성분 기반 연결(component concatenation) 접근보다 희소 데이터에 적합하다.", '자동화된 고처리량 계산 파이프라인(AaronTools + Molassembler + spGFN2-xTB)을 결합하여 대규모 구조 라이브러리 생성을 실용화했다.
사례 연구 1·2로 전통적 촉매 최적화 데이터에서의 기질 특이적 최적화와 기계적으로 유사한 반응 간 전이성을 각각 입증하여 두 가지 활용 시나리오를 모두 검증했다.

현재 Ni 촉매 C(sp3) 커플링에 국한된 사례 연구이므로, 다른 촉매 클래스나 반응 유형으로의 확대 가능성을 더 검증해야 한다.
spGFN2-xTB 수준 최적화가 정확한 에너지 차이를 제공하지 못할 수 있으므로, PCM/ωB97X-3c 재계산이 필수인 경우도 있을 수 있다.
컨포머 앙상블과 Boltzmann 가중치 처리가 필요하여 단순한 정적 구조보다 복잡하며, 매우 유연한 리간드에서는 샘플링 불완전성 위험이 있다.
모델 해석가능성: MLR의 투명성은 장점이나 비선형 상호작용을 놓칠 수 있으므로, 더 복잡한 기질–리간드 상호작용에는 제약이 있을 수 있다.
후속 연구: (1) 다양한 촉매 시스템으로의 확장, (2) 더 높은 수준의 이론(DFT)과의 벤치마킹으로 정확도 검증, (3) 신경망 등 비선형 모델과의 비교 연구