การปรับปรุงปฏิกิริยาแบบดิจิทัลด้วย Catalexis
เคมีที่ชาญฉลาดขึ้น ผลลัพธ์ที่รวดเร็วขึ้น
จะอย่างไรหากการคัดกรองตัวเร่งปฏิกิริยาและลิแกนด์สำหรับปฏิกิริยาครอส-คูปลิงที่ซับซ้อนสามารถคาดการณ์ได้ รวดเร็ว และขับเคลื่อนด้วย AI แทนที่จะต้องพึ่งพาขั้นตอนการทำงานแบบลองผิดลองถูกแบบดั้งเดิม? Catalexis มอบสิ่งนั้นได้อย่างแม่นยำ ด้วยการผสมผสานการเพิ่มประสิทธิภาพตัวเร่งปฏิกิริยาที่ขับเคลื่อนด้วย AI การสร้างแบบจำลองเบย์เบ (BayBE) และแผ่นฟอสฟีนลิแกนด์ 23 ชนิดที่คัดสรรมาอย่างดี เพื่อช่วยให้การคัดกรองสำหรับการเปลี่ยนแปลง เช่น ปฏิกิริยาอะมิเนชัน Buchwald-Hartwig และปฏิกิริยาคูปลิง Suzuki–Miyaura เป็นไปอย่างชาญฉลาดและมีประสิทธิภาพมากยิ่งขึ้น
ออกแบบมาเพื่อรองรับทั้งเคมีบนโต๊ะทดลองแบบดั้งเดิมและการทดลองแบบผ่านปริมาณสูง (HTE) Catalexis ช่วยให้นักวิจัยสามารถสำรวจพื้นที่ปฏิกิริยาแบบดิจิทัล ลดภาระการทดลอง และเร่งการระบุลิแกนด์ที่มีประสิทธิภาพสูงในปฏิกิริยาครอส-คูปลิง รวมถึงปฏิกิริยาที่ละเอียดอ่อนอื่น ๆ ที่การเปลี่ยนแปลงพารามิเตอร์เพียงเล็กน้อยก็ส่งผลต่อผลผลิตและความเลือกสรร
Catalexis ทำงานอย่างไร?
ขั้นตอนที่ 2: ดำเนินการปฏิกิริยาคัดกรอง 23‑Ligand
ดำเนินการคัดกรอง 23‑ligand โดยใช้สารตั้งต้นและเงื่อนไขที่เลือกไว้ พร้อมทั้งรักษาให้ทุกตัวแปรคงที่ สามารถใช้งานได้ทั้งกับระบบตั้งค่าแบบมือและกระบวนการทำงาน HTE แบบอัตโนมัติ
ขั้นตอนที่ 3: ส่งผลการวัดปฏิกิริยาของคุณไปยังพอร์ทัล Catalexis
อัปโหลดค่าผลผลิตปฏิกิริยา (0–100) ของคุณเข้าสู่พอร์ทัล Catalexis และใช้โทเคน 1 ชิ้นเพื่อรับรายชื่อสารลิแกนด์ที่มีศักยภาพสูงสุด ไม่จำเป็นต้องมีข้อมูลเมตาดาต้าทางเคมี
ขั้นตอนที่ 4: สร้างอันดับลิแกนด์ที่ขับเคลื่อนด้วย AI
Catalexis จะเปรียบเทียบข้อมูลของคุณกับฐานข้อมูลของบริษัทที่มีลิแกนด์มากกว่า 400 ชนิด และระบุลิแกนด์ที่มีประสิทธิภาพสูงสุด
ขั้นตอนที่ 5: สำรวจพื้นที่ปฏิกิริยาด้วย BayBE
กำหนดพารามิเตอร์การทดลองของคุณ และให้เครื่องยนต์ ML BayBE (Bayesian back-end) เสนอการทดลองถัดไปที่ให้ผลลัพธ์น่าจะเป็นไปได้มากที่สุดภายในพื้นที่เคมีของคุณ ซึ่งช่วยให้คุณสามารถเก็บตัวอย่างจากพื้นที่เคมีได้อย่างมีประสิทธิภาพมากกว่าวิธีการ DOE แบบดั้งเดิม
ขั้นตอนที่ 6: ปรับให้เหมาะสมด้วยคำแนะนำที่มีคู่มือ
อัปโหลดผลลัพธ์ใหม่ของคุณ และรับคำแนะนำเกี่ยวกับเงื่อนไขต่อไปทันที 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 พร้อมด้วยฐานข้อมูลลิแกนด์กว่า 400 ตัว | ชุดลิแกนด์ขนาดเล็ก ครอบคลุมพื้นที่เคมีได้จำกัด |
เวลาที่ใช้ในการได้ผลลัพธ์ | ปรับให้เหมาะสมภายในไม่กี่วันโดยใช้การเลือกการทดลองที่นำทางด้วย AI | ต้องใช้เวลาหลายสัปดาห์ในการทดลองแบบลองผิดลองถูกซ้ำๆ |
การบริโภควัสดุ | ใช้ตัวเร่งปฏิกิริยา สารตั้งต้น และตัวทำละลายน้อยลงอย่างมีนัยสำคัญ | การใช้สารเคมีสูงเนื่องจากชุดทดลองที่ใหญ่ |
จำนวนการทดลอง | น้อยที่สุด โมเดลเบย์เซียนจะเลือกเฉพาะการทดลองที่มีค่าสูงเท่านั้น | ต้องทำการทดลองหลายครั้งเพื่อสำรวจพื้นที่ทางเคมี |
การตัดสินใจ | การจัดอันดับลิแกนด์แบบคาดการณ์ที่ขับเคลื่อนด้วยข้อมูล | การตีความด้วยมือและการทดสอบแบบลำดับ |
ประสิทธิภาพการสำรวจ | กำหนดเป้าหมายพื้นที่ที่มีศักยภาพในพื้นที่เคมีโดยใช้ ML | การคัดกรองแบบสม่ำเสมอทำให้เกิดการทดลองซ้ำซ้อน |
ผลกระทบต่อค่าใช้จ่าย | ต้นทุนต่ำลงเนื่องจากจำนวนรอบการทดลองน้อยลงและลดการสูญเสีย | ค่าใช้จ่ายในการดำเนินงานและการใช้สารเคมีที่สูงขึ้น |
ความยืดหยุ่นของกระบวนการทำงาน | ใช้งานได้กับ HTE แบบบนโต๊ะทำงาน แบบขนาน และแบบอัตโนมัติ | กระบวนการทำงานเป็นแบบมือเป็นหลัก |
ผลิตภัณฑ์ที่เกี่ยวข้อง
Response not successful: Received status code 500
คำรับรองจากผู้ใช้
ค้นพบวิธีที่ Catalexis กำลังเปลี่ยนแปลงห้องปฏิบัติการ – นี่คือสิ่งที่นักเคมีกล่าวถึงประสบการณ์ของพวกเขา:
“Catalexis ได้ช่วยปรับปรุงกระบวนการเพิ่มกลุ่มไดอะมิโนใน 1,3-ไดคลอโรเบนซีนของเราได้อย่างมีประสิทธิภาพ โดยประหยัดเวลาด้วยการจัดเตรียมชุดลิแกนด์ที่ผ่านการคัดสรรมาเพื่อใช้ในการคัดกรอง หลังจากผ่านกระบวนการคัดกรองสามรอบ เราได้ระบุลิแกนด์ที่ดีที่สุดสำหรับกระบวนการผลิตขั้นสุดท้ายในระดับอุตสาหกรรมของเรา”
ห้องปฏิบัติการพัฒนากระบวนการผลิตของ Pharma Biotech
“ลิแกนด์ที่เสนอมาได้ผลลัพธ์ที่ยอดเยี่ยม รวมถึงบางชนิดที่ตอนแรกผมยังไม่ได้คิดจะลองด้วยซ้ำ”
ห้องปฏิบัติการเคมียาเชิงวิชาการ
"Catalexis เป็นเครื่องมือที่มีประโยชน์ ซึ่งชุด ligand 23 ชนิดนี้สามารถประเมินและคาดการณ์ประสิทธิภาพของ ligand ประมาณ 500 ชนิดได้ ด้วยความช่วยเหลือของ AI."
นักเคมีวิจัยและพัฒนาสารสังเคราะห์
ทรัพยากรที่เกี่ยวข้อง
- 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