Data-science driven autonomous process optimization.
Data-science driven autonomous process optimization.
复制标题
DOI：
10.1038/s42004-021-00550-x
复制
发表时间：
2021-08-02
影响因子：
5.9
通讯作者：
Hein, Jason E.
中科院分区：
文献类型：
--
作者：
Christensen, Melodie;Yunker, Lars P. E.;Adedeji, Folarin;Hase, Florian;Roch, Loic M.;Gensch, Tobias;dos Passos Gomes, Gabriel;Zepel, Tara;Sigman, Matthew S.;Aspuru-Guzik, Alan;Hein, Jason E.
自主过程优化涉及对一系列过程参数进行无人工干预的探索，以提高产品产量和选择性等响应。利用现成的组件，我们开发了一个闭环系统，用于批量进行并行自主过程优化实验。在实施我们的系统来优化立体选择性铃木-宫浦耦合时，我们发现定义一组有意义的、广泛的和无偏的过程参数是成功优化的最关键方面。重要的是，我们发现膦配体作为一个分类参数，对于确定反应结果至关重要。迄今为止，分类参数选择依赖于化学直觉，可能会在实验设计中引入偏差。在寻求一种选择多种膦配体的系统方法时，我们开发了一种利用计算分子特征聚类的策略。由此产生的优化揭示了以高产率选择性获得所需产物异构体的条件。自动化闭环系统使用机器学习算法优化立体选择性 Suzuki-Miyaura 反应，该算法结合了无偏和分类过程参数。
Autonomous process optimization involves the human intervention-free exploration of a range process parameters to improve responses such as product yield and selectivity. Utilizing off-the-shelf components, we develop a closed-loop system for carrying out parallel autonomous process optimization experiments in batch. Upon implementation of our system in the optimization of a stereoselective Suzuki-Miyaura coupling, we find that the definition of a set of meaningful, broad, and unbiased process parameters is the most critical aspect of successful optimization. Importantly, we discern that phosphine ligand, a categorical parameter, is vital to determination of the reaction outcome. To date, categorical parameter selection has relied on chemical intuition, potentially introducing bias into the experimental design. In seeking a systematic method for selecting a diverse set of phosphine ligands, we develop a strategy that leverages computed molecular feature clustering. The resulting optimization uncovers conditions to selectively access the desired product isomer in high yield. An automated closed-loop system optimizes a stereoselective Suzuki-Miyaura reaction using a machine learning algorithm that incorporates unbiased and categorical process parameters.
登录
查看更多内容
影响因子：
3.2
作者：
Chehal, Navneet K.;Budzelaar, Peter H. M.;Hultin, Philip G.
通讯作者：
Hultin, Philip G.
影响因子：
3.6
作者：
Lu, Guo-Ping;Voigtritter, Karl R.;Lipshutz, Bruce H.
通讯作者：
Lipshutz, Bruce H.
影响因子：
8.4
作者：
Häse F;Roch LM;Aspuru-Guzik A
通讯作者：
Aspuru-Guzik A
影响因子：
29.4
作者：
Langner, Stefan;Hase, Florian;Brabec, Christoph J.
通讯作者：
Brabec, Christoph J.
影响因子：
15
作者：
Li BX;Le DN;Mack KA;McClory A;Lim NK;Cravillion T;Savage S;Han C;Collum DB;Zhang H;Gosselin F
通讯作者：
Gosselin F