登顶Nature！90年博后再获重大突破，实现质的飞跃，连发Nature！

文章预览

        由于结构-对映选择性关系的高维性质，不对称催化中的对映选择性预测一直是合成化学中长期存在的挑战。缺乏对合成空间的了解导致在发现不对称反应方面费力且耗时，即使相同的转化已经在模型基底上进行了优化。在这里，我们提出了一个数据驱动的工作流程，通过在机器学习中实现过渡态知识，实现不对称帕拉达电催化 C-H 活化的整体对映选择性预测。过渡态知识的矢量化允许对机器学习模型进行出色的描述和推断，并能够对 846,720 种可能性进行定量评估。模型解释揭示了烯烃对对映选择性测定的非直观效应。随后的密度泛函理论计算揭示了速率决定步骤取决于插入步骤中的烯烃反应性的机理知识。因此，烯烃插入步骤可以参与整体对映选择性的测定。这些结果突出了基于知识的机器学习与解释驱动的机理研究的互补特征，这为利 ………………………………