แพลตฟอร์มการปรับปรุงปฏิกิริยา Catalexis
Catalexis เป็นแพลตฟอร์มที่ขับเคลื่อนด้วย AI สำหรับการคัดกรองตัวเร่งปฏิกิริยาและการเพิ่มประสิทธิภาพปฏิกิริยา โดยรวมชุดฟอสฟีน 23 ลิแกนด์ที่ได้รับการคัดสรรมาอย่างพิถีพิถันเข้ากับ BayBE ระบบการเรียนรู้ของเครื่องแบบเบย์เซียน เพื่อเร่งกระบวนการอะมิเนชันแบบ Buchwald-Hartwig การเชื่อมต่อแบบ Suzuki-Miyaura และกระบวนการแปลงทางเคมีอื่น ๆ Catalexis ได้รับการออกแบบมาเพื่อรองรับทั้งกระบวนการทำงานบนโต๊ะทดลองแบบมือและทดลองแบบผ่านปริมาณสูง (HTE) โดยแทนที่การคัดกรองแบบลองผิดลองถูกด้วยระบบจัดอันดับลิแกนด์ที่ขับเคลื่อนด้วยข้อมูลและการเพิ่มประสิทธิภาพปฏิกิริยาแบบมีแนวทาง
ไม่ต้องการดำเนินการปฏิกิริยาการจับคู่ข้าม? ไม่มีปัญหา พอร์ทัลการปรับแต่งที่ขับเคลื่อนด้วย BayBE ได้รับการออกแบบให้ใช้งานได้โดยไม่ต้องใช้ชุดคัดกรองลิแกนด์ฟอสฟีน คุณสามารถกำหนดตัวแปรปฏิกิริยาของคุณเอง เช่น ลิแกนด์, เบส, ตัวทำละลาย, อุณหภูมิ, ปริมาณเทียบเท่า หรือพารามิเตอร์ที่กำหนดเองใดๆ และให้ BayBE เสนอการทดลองที่มีข้อมูลมากที่สุดเพื่อดำเนินการต่อไป มันให้ความยืดหยุ่นอย่างเต็มที่สำหรับปฏิกิริยาของคุณ โดยรองรับการผสมผสานปฏิกิริยาได้มากถึง 1,000,000 แบบ
Catalexis ทำงานอย่างไร?
Catalexis ทำงานในสองขั้นตอน ขั้นตอนที่ 1 คัดกรองลิแกนด์โมโนฟอสฟีนสำหรับปฏิกิริยาครอส-คูปลิงที่เร่งด้วยแพลทินัม โดยการคัดกรองลิแกนด์เพียงครั้งเดียวจาก 23 ชนิด สามารถระบุลิแกนด์ที่มีประสิทธิภาพสูงสุดจากฐานข้อมูลที่มีลิแกนด์ฟอสฟีนมากกว่า 400 ชนิดได้ภายในไม่กี่วัน ไม่ใช่หลายสัปดาห์ ขั้นตอนที่ 2 ใช้เครื่องมือเพิ่มประสิทธิภาพ BayBE เพื่อสำรวจและปรับปรุงเงื่อนไขปฏิกิริยาในพื้นที่พารามิเตอร์ที่กำหนดไว้ สำหรับประเภทปฏิกิริยาใด ๆ โดยไม่ขึ้นกับขั้นตอนที่ 1

ขั้นตอนที่ 2: ดำเนินการปฏิกิริยาคัดกรอง 23‑Ligand
ดำเนินการคัดกรอง 23-ligand โดยใช้สารตั้งต้นและเงื่อนไขที่คุณเลือกไว้ พร้อมทั้งรักษาให้ทุกตัวแปรคงที่ สามารถใช้งานได้ทั้งในระบบตั้งค่าด้วยมือและกระบวนการทำงาน HTE แบบอัตโนมัติ

ขั้นตอนที่ 3: ส่งผลการวัดปฏิกิริยาของคุณไปยังพอร์ทัล Catalexis
อัปโหลดค่าผลผลิตปฏิกิริยา (0–100) ของคุณเข้าสู่พอร์ทัล Catalexis และแลกโทเคน 1 ชิ้น เพื่อรับรายชื่อสารลิแกนด์ที่มีศักยภาพสูงสุด ไม่จำเป็นต้องมีข้อมูลเมตาดาต้าทางเคมี

ขั้นตอนที่ 4: สร้างอันดับลิแกนด์ที่ขับเคลื่อนด้วย AI
Catalexis จะเปรียบเทียบข้อมูลของคุณกับฐานข้อมูลของบริษัทที่มีลิแกนด์มากกว่า 400 ชนิด และระบุลิแกนด์ที่มีประสิทธิภาพสูงสุด

ขั้นตอนที่ 5: สำรวจพื้นที่ปฏิกิริยาด้วย BayBE
กำหนดพารามิเตอร์การทดลองของคุณ และให้เครื่องยนต์ ML BayBE (Bayesian back-end) เสนอการทดลองถัดไปที่มีศักยภาพสูงที่สุดภายในพื้นที่เคมีของคุณ ซึ่งช่วยให้คุณสามารถเก็บตัวอย่างจากพื้นที่เคมีได้อย่างมีประสิทธิภาพมากกว่าวิธีการ DOE แบบดั้งเดิม

ขั้นตอนที่ 6: ปรับให้เหมาะสมด้วยคำแนะนำแบบมีคู่มือ
อัปโหลดผลลัพธ์ใหม่ของคุณ และรับคำแนะนำเกี่ยวกับเงื่อนไขถัดไปทันที เพื่อปรับปรุงผลผลิตให้ดีขึ้นอย่างต่อเนื่อง

ขั้นตอนที่ 7: ทำซ้ำเพื่อปรับปรุงผลลัพธ์
ทำซ้ำขั้นตอน 5-6 จนกระทั่งปฏิกิริยาของคุณบรรลุเป้าหมายที่ต้องการ ไม่ว่าจะเป็นอัตราผลผลิต อัตราการแปลง การจำกัดผลิตภัณฑ์ข้างเคียง หรือตัวแปรที่กำหนดเองอื่น ๆ
ทำไมจึงควรเลือก Catalexis แทนการคัดกรองตัวเร่งปฏิกิริยาแบบดั้งเดิม?
คุณสมบัติ | คาตาเล็กซิส | การคัดกรองแบบดั้งเดิม |
|---|---|---|
วิธีการคัดกรอง | การเพิ่มประสิทธิภาพแบบเบย์เซียนที่นำโดย AI ทำนายการทดลองครั้งต่อไปที่มีศักยภาพสูงที่สุด | การคัดกรองแบบลองผิดลองถูกพร้อมการตัดสินใจด้วยมือ |
ขนาดชุดลิแกนด์ | ใช้แผ่นฟอสฟีนที่มีลิแกนด์ 23 ตัว ซึ่งได้รับการคัดสรรอย่างพิถีพิถัน และได้รับการสนับสนุนจากฐานข้อมูลที่มีลิแกนด์มากกว่า 400 ตัว | ชุดลิแกนด์ขนาดเล็ก ครอบคลุมพื้นที่เคมีได้จำกัด |
เวลาที่ใช้ในการได้ผลลัพธ์ | ปรับให้เหมาะสมภายในไม่กี่วันด้วยการเลือกการทดลองที่นำทางด้วย AI | ต้องใช้เวลาหลายสัปดาห์ในการทดลองแบบลองผิดลองถูกซ้ำๆ |
การบริโภควัสดุ | ใช้ตัวเร่งปฏิกิริยา สารตั้งต้น และตัวทำละลายน้อยลงอย่างมีนัยสำคัญ | การใช้สารเคมีสูงเนื่องจากชุดทดลองที่ใหญ่ |
จำนวนการทดลอง | น้อยที่สุด โมเดลเบย์เซียนจะเลือกเฉพาะการทดลองที่มีค่าสูงเท่านั้น | ต้องทำการทดลองจำนวนมากเพื่อสำรวจพื้นที่ทางเคมี |
การตัดสินใจ | การจัดอันดับลิแกนด์แบบคาดการณ์ที่ขับเคลื่อนด้วยข้อมูล | การตีความด้วยมือและการทดสอบแบบลำดับ |
ประสิทธิภาพการสำรวจ | กำหนดพื้นที่ที่มีศักยภาพในพื้นที่เคมีโดยใช้การเรียนรู้ของเครื่อง (ML) | การคัดกรองแบบสม่ำเสมอทำให้เกิดการทดลองซ้ำซ้อน |
ผลกระทบต่อค่าใช้จ่าย | ต้นทุนต่ำลงเนื่องจากจำนวนรอบการทดลองที่น้อยลงและลดปริมาณของเสีย | ค่าใช้จ่ายในการดำเนินงานและการใช้สารเคมีที่สูงขึ้น |
ความยืดหยุ่นของกระบวนการทำงาน | ทำงานได้ทั้งใน HTE แบบบนโต๊ะทำงาน แบบขนาน และแบบอัตโนมัติ | กระบวนการทำงานที่ส่วนใหญ่เป็นแบบมือ |
ผลิตภัณฑ์ที่เกี่ยวข้อง
Response not successful: Received status code 500
คำรับรองจากผู้ใช้
ค้นพบวิธีที่ Catalexis กำลังเปลี่ยนแปลงห้องปฏิบัติการ – นี่คือสิ่งที่นักเคมีกล่าวถึงประสบการณ์ของพวกเขา:
“Catalexis ได้ช่วยปรับปรุงกระบวนการเพิ่มกลุ่มไดอะมิโนใน 1,3-ไดคลอโรเบนซีนของเราได้อย่างมีประสิทธิภาพ โดยประหยัดเวลาด้วยการจัดเตรียมชุดลิแกนด์ที่ผ่านการคัดสรรมาเพื่อใช้ในการคัดกรอง หลังจากผ่านกระบวนการคัดกรองสามรอบ เราได้ระบุลิแกนด์ที่ดีที่สุดสำหรับกระบวนการผลิตในขั้นอุตสาหกรรมขั้นสุดท้ายของเรา”
ห้องปฏิบัติการพัฒนากระบวนการผลิตของ Pharma Biotech
“ลิแกนด์ที่เสนอมาได้ผลลัพธ์ที่ยอดเยี่ยม รวมถึงบางชนิดที่ผมไม่ได้คิดจะลองตั้งแต่แรก”
ห้องปฏิบัติการเคมียาเชิงวิชาการ
"Catalexis เป็นเครื่องมือที่มีประโยชน์ ซึ่งชุดลิแกนด์ 23 ชนิดสามารถประเมินและคาดการณ์ประสิทธิภาพของลิแกนด์ประมาณ 500 ชนิดได้ ด้วยความช่วยเหลือของ AI"
นักเคมีวิจัยและพัฒนาสารสังเคราะห์
ทรัพยากรที่เกี่ยวข้อง
- Catalexis Reaction Optimization Platform FAQs
Explore Catalexis FAQs covering AI-guided catalyst screening, BayBE optimization, kit contents, workflow setup, data security, and purchasing.
- Aldrichimica Acta 57.1 ฉบับพิเศษเกี่ยวกับกระบวนการเร่งปฏิกิริยา
Aldrichimica Acta covers diverse chemical research topics, fostering international collaboration in chemistry.
เพื่ออ่านต่อ โปรดเข้าสู่ระบบหรือสร้างบัญชีใหม่
ยังไม่มีบัญชีใช่หรือไม่?หน้านี้ได้ถูกแปลโดยเครื่องแปลภาษาเพื่อความสะดวกของลูกค้าของเรา เราได้พยายามเพื่อให้มั่นใจว่าเครื่องแปลภาษาแปลได้ถูกต้องแม่นยำ อย่างไรก็ตาม เครื่องแปลภาษานั้นไม่สมบูรณ์แบบ หากคุณไม่พอใจกับเนื้อหาที่แปลโดยเครื่องแปลภาษา โปรดอ้างอิงจากฉบับภาษาอังกฤษ
