利用Catalexis进行数字反应优化
更智能的化学，更快的成果
如果针对复杂交叉偶联反应的催化剂和配体筛选能够变得可预测、快速且由人工智能驱动，而不是依赖传统的试错工作流程，会怎样？Catalexis 正是通过结合人工智能驱动的催化剂优化、BayBE 贝叶斯建模以及精心筛选的 23 种配体膦板，实现了这一目标，从而为 Buchwald-Hartwig 胺化反应和 Suzuki–Miyaura 偶联反应等转化提供了更智能、更高效的筛选方案。
Catalexis 专为传统台式化学实验和高通量实验 (HTE) 设计，使研究人员能够数字化探索反应空间，减轻实验负担，并加速在交叉偶联反应及其他敏感转化中识别高性能配体——在这些反应中，微小的参数变化都会影响收率和选择性。
Catalexis 是如何起作用的？
步骤 2：进行 23 种配体筛选反应
使用您选择的底物和实验条件进行 23-配体筛选，并保持所有变量恒定。本方法兼容手动实验设置和自动化高通量筛选（HTE）工作流程。
步骤 3：将反应结果上传至 Catalexis 门户
将您的反应收率（0-100）上传至Catalexis平台，兑换1个代币即可获取最佳配体候选物。无需提供化学元数据。
第 4 步：生成基于 AI 的配体排序
Catalexis 会将您的数据与其包含 400 多种配体的数据库进行比对，并突出显示表现最佳的配体。
第 5 步：使用 BayBE 探索反应空间
定义您的反应参数，让 BayBE（贝叶斯后端）机器学习引擎为您在化学空间内推荐最具潜力的后续实验，从而使您能够比传统的实验设计（DOE）方法更高效地对化学空间进行采样。
第 6 步：根据引导性建议进行优化
上传您的新数据，即可立即获得系统推荐的后续处理方案，以进一步提高产量
第 7 步：重复操作以优化结果
重复步骤 5-6，直到反应达到预期目标，无论是收率、转化率、副产物限制还是其他自定义变量。
为什么选择 Catalexis 而不是传统的催化剂筛选方法？
专题 | 僵直 | 传统筛查 |
|---|---|---|
筛选方法 | AI 引导的贝叶斯优化可预测最具前景的后续实验 | 基于人工决策的试错筛选 |
配体集规模 | 采用经过筛选的23种配体磷化氢板，并依托400多种配体的数据库 | 配体集较小，化学空间覆盖有限 |
获得结果所需时间 | 利用AI引导的实验选择，数日内即可完成优化 | 需数周的反复试错 |
耗材消耗 | 催化剂、底物和溶剂消耗量显著减少 | 因实验组规模庞大，耗费大量试剂 |
实验数量 | 极少，贝叶斯模型仅筛选高价值实验 | 探索化学空间需要大量实验 |
决策 | 数据驱动，预测性配体排名 | 人工解读和逐一测试 |
提高探索效率 | 利用机器学习锁定化学空间中具有潜力的区域 | 统一筛选导致实验重复 |
成本影响 | 因实验次数减少和废料减少而降低成本 | 运营成本和化学品消耗增加 |
工作流程灵活性 | 适用于台式、并行及自动化高通量筛选 | 主要采用手动工作流程 |
相关产品
Response not successful: Received status code 500
用户评价
了解 Catalexis 如何改变实验室——以下是化学家们对使用体验的评价：
“Catalexis 显著简化了我们针对 1,3-二氯苯的二胺化反应优化工作，通过提供一套经过精心筛选的配体供筛选，为我们节省了大量时间。经过三轮筛选，我们最终确定了最适合我们最终工业规模工艺的配体。”
制药生物技术工艺开发实验室
“建议的配体取得了极佳的效果，其中甚至包括一些我最初并未考虑尝试的配体。”
药物化学学术实验室
“Catalexis 是一款出色的工具，它通过一套包含 23 种配体的组合，借助人工智能，能够评估和预测约 500 种配体的性能。”
合成研发化学师
相关资源
- Aldrichimica Acta 57.1 Special Edition on Catalysis
《Aldrichimica Acta》是前沿的化学研究国际论坛。其文章由全球各地的化学家撰写，涵盖以合成为主的各类主题,涉及有机、有机金属、生物有机或无机化学。
如要继续阅读，请登录或创建帐户。
暂无帐户？为方便客户阅读，本页通过机器进行翻译。我们已尽力确保机器翻译的准确性，但机器翻译并非尽善尽美。如果您对机器翻译内容不满意，请参阅英文版本。