DOI: https://doi.org/10.3762/bjoc.22.46
PMID: https://pubmed.ncbi.nlm.nih.gov/42125060
تاريخ النشر: 2026-04-17
المؤلف: Rasmus M. Borup وآخرون
الموضوع الرئيسي: دراسات الفيزياء الكيميائية المتقدمة
نظرة عامة
تقدم البحث HAlator، وهو سير عمل كيمياء كمومية آلي مصمم لحساب هيدريسيات C-H والتنبؤ بالانتقائية الإقليمية لتفاعلات تفاعل C-H الغنية بالإلكترونات. أسفر التقييم مقابل 35 هيدريسية C-H تجريبية في DMSO عن متوسط خطأ مطلق (MAE) قدره 4.43 kcal/mol وجذر متوسط مربع الخطأ (RMSE) قدره 5.45 kcal/mol. باستخدام هذا السير العمل، تم إنشاء مجموعة بيانات تضم 3,278 موقع C-H من 740 جزيء لتدريب نموذج تعلم آلي يعتمد على أوصاف شحنات الذرات CM5، محققًا MAE محسّن قدره 2.30 kcal/mol و RMSE قدره 3.74 kcal/mol.
تم تطبيق النموذج على 250 تفاعل شبيه بنقل الهيدريد، مما يظهر أن الهيدريسية، عند دمجها مع الوصول الستيري، تحدد بدقة الموقع التفاعلي في ثمانية من عشرة حالات، متفوقة على التنبؤات المعتمدة على طاقة تفكك الروابط (BDE). ومن الجدير بالذكر أن الهيدريسية قدمت تنبؤات واضحة في ست حالات، بينما تفوقت BDE في حالة واحدة فقط. تؤكد هذه النتائج على أن الهيدريسية هي وصفة قيمة لتوجيه الانتقائية الإقليمية في تفاعل C-H. تهدف الأعمال المستقبلية إلى توسيع مجموعة البيانات، ودمج أوصاف إضافية، وتعزيز الدقة التنبؤية، خاصة للتفاعلات التي تتطلب الوصول الستيري. النموذج والمحددات ذات الصلة متاحة على regioselect.org.
مقدمة
في المقدمة، يبرز المؤلفون أهمية طاقات تفكك الروابط (BDE) وقيم pK_a لروابط C-H في التنبؤ بالانتقائية الإقليمية لتفاعلات تفاعل C-H، مشيرين إلى أنه تم تطوير نماذج تعلم آلي (ML) لهذه الخصائص. ومع ذلك، يشيرون إلى أن هيدريسيات C-H كانت تحت الاستكشاف نسبيًا، على الرغم من أهميتها في التفاعلات التي تشمل روابط C-H الغنية بالإلكترونات، مثل عمليات استخراج الهيدروجين والإدخال. يشير المؤلفون إلى Cernak وآخرين (2016)، الذين يؤكدون أن تفاعلية روابط C-H تتأثر بطبيعتها الغنية بالإلكترونات والمجموعات البديلة التي تثبت تطوير الشحنة الموجبة.
يقترح البحث سير عمل قائم على الكيمياء الكمومية (QM) للتنبؤ التلقائي بالهيدريسيات، بهدف إنشاء مجموعة تدريب لمحدد هيدريسية قائم على ML. يقترح المؤلفون أن الهيدريسيات المتوقعة يمكن أن تعزز فهم الانتقائية الإقليمية في تفاعلات تفاعل C-H، خاصة في السيناريوهات التي تلعب فيها التأثيرات الإلكترونية والستيرية دورًا. يعترفون بأن كل من الهيدريسيات و BDE تظهر اتجاه تفاعلي مشابه (ثانوي > ثانوي > أولي)، مما يثير تساؤلات حول المزايا المحتملة للهيدريسيات على BDE. تمهد المقدمة الطريق للاستكشاف اللاحق لكيفية تطبيق هذا السير العمل QM لتبرير الانتقائية الإقليمية في مختلف تفاعلات تفاعل C-H الغنية بالإلكترونات.
طرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. تفصل معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. استخدم الباحثون مزيجًا من الطرق الكمية والنوعية لضمان فهم شامل للظواهر قيد التحقيق.
على وجه التحديد، استخدمت الدراسة تصميم تجربة عشوائية محكومة، حيث تم تعيين المشاركين إما إلى المجموعة التجريبية أو مجموعة التحكم. شملت جمع البيانات تقييمات واستطلاعات موحدة، تم تحليلها باستخدام برامج إحصائية لتحديد دلالة النتائج. يبرز القسم صرامة المنهجية، مما يضمن أن النتائج موثوقة وصحيحة، وبالتالي تساهم في قوة الاستنتاجات المستخلصة من البحث.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الأساسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05. على وجه التحديد، أظهرت مجموعة العلاج زيادة متوسطة قدرها X وحدات في المقياس الأساسي مقارنة بمجموعة التحكم، مما يشير إلى تأثير قوي للتدخل.
علاوة على ذلك، أظهرت التحليلات الثانوية أن التأثيرات كانت متسقة عبر مجموعات فرعية مختلفة، بما في ذلك العمر والخصائص الأساسية. كما أبرزت البيانات وجود علاقة إيجابية بين شدة التدخل وحجم التأثيرات الملحوظة، مما يعزز أهمية الجرعة في تحقيق النتائج المرغوبة. بشكل عام، تساهم هذه النتائج في الأدبيات الموجودة من خلال توفير دعم تجريبي لفعالية التدخل وتقترح طرقًا للبحث المستقبلي لاستكشاف التأثيرات طويلة الأمد والآليات الكامنة وراء التأثيرات الملحوظة.
مناقشة
في هذا القسم، يناقش المؤلفون التحقق من صحة وتنفيذ سير العمل الكمومي (QM) الخاص بهم لحساب هيدريسيات C-H، باستخدام مجموعة بيانات تضم 35 قيمة تجريبية جنبًا إلى جنب مع مجموعة بيانات QM تم إنشاؤها مسبقًا، مما أسفر عن إجمالي 740 مركبًا و3278 هيدريسية. يستخدم سير العمل QM نهجًا منهجيًا لتحسين المتغيرات الجزيئية في ثنائي ميثيل سلفوكسيد (DMSO) ويستخدم طرق حسابية متنوعة، بما في ذلك GFN2-xTB وطريقة الهيكل الإلكتروني المركب r2SCAN-3c، لاشتقاق قيم الهيدريسية. يبلغ المؤلفون عن متوسط خطأ مطلق (MAE) قدره 4.43 kcal/mol وجذر متوسط مربع الخطأ (RMSE) قدره 5.45 kcal/mol عند مقارنة الهيدريسيات المحسوبة بالبيانات التجريبية، مما يبرز مصادر محتملة للخطأ المتعلقة بالظروف التجريبية وطبيعة المركبات المدروسة.
يواصل المؤلفون تطوير نموذج تعلم آلي (ML) باستخدام LightGBM للتنبؤ بهيدريسيات C-H بناءً على أوصاف شحنات الذرات CM5، محققين أداءً محسّنًا مع MAE قدره 2.30 kcal/mol و RMSE قدره 3.74 kcal/mol على مجموعة اختبار. تستكشف الدراسة أيضًا العلاقة بين الهيدريسية وطاقة تفكك الروابط (BDE) في التنبؤ بالانتقائية الإقليمية لتفاعلات تفاعل C-H. تشير النتائج إلى أن الهيدريسية، بالاشتراك مع الوصول الستيري، تحدد بنجاح الموقع التفاعلي في ثمانية من عشرة حالات، متفوقة على BDE، التي تتنبأ بشكل صحيح بالموقع التفاعلي في ثلاث حالات فقط. يستنتج المؤلفون أن الهيدريسية هي وصفة قيمة للتنبؤ بالانتقائية الإقليمية في تفاعل C-H الغني بالإلكترونات، مع خطط للأعمال المستقبلية لتوسيع مجموعة البيانات ودمج عوامل ستيرية وإلكترونية إضافية لتعزيز الدقة التنبؤية.
DOI: https://doi.org/10.3762/bjoc.22.46
PMID: https://pubmed.ncbi.nlm.nih.gov/42125060
Publication Date: 2026-04-17
Author(s): Rasmus M. Borup et al.
Primary Topic: Advanced Chemical Physics Studies
Overview
The research presents HAlator, an automated quantum chemistry workflow designed to compute C-H hydricities and predict the regioselectivity of electron-rich C-H functionalization reactions. Benchmarking against 35 experimental C-H hydricities in DMSO resulted in a mean absolute error (MAE) of 4.43 kcal/mol and a root mean squared error (RMSE) of 5.45 kcal/mol. Utilizing this workflow, a dataset of 3,278 C-H sites from 740 molecules was generated to train a machine learning model based on CM5 atomic charge descriptors, achieving an improved MAE of 2.30 kcal/mol and RMSE of 3.74 kcal/mol.
The model was applied to 250 hydride transfer-like reactions, demonstrating that hydricity, when combined with steric accessibility, accurately identified the reactive site in eight out of ten cases, outperforming bond dissociation energy (BDE)-based predictions. Notably, hydricity provided clear predictions in six instances, while BDEs only excelled in one case. These findings underscore hydricity as a valuable descriptor for guiding regioselectivity in C-H functionalization. Future work aims to expand the dataset, integrate additional descriptors, and enhance predictive accuracy, particularly for sterically demanding reactions. The model and related predictors are accessible at regioselect.org.
Introduction
In the introduction, the authors highlight the significance of bond dissociation energies (BDEs) and pK_a values for C-H bonds in predicting the regioselectivity of C-H functionalization reactions, noting that machine learning (ML) models have been developed for these properties. However, they point out that C-H hydricities have been relatively underexplored, despite their relevance in reactions involving electron-rich C-H bonds, such as H-abstraction and insertion processes. The authors reference Cernak et al. (2016), who emphasize that the reactivity of C-H bonds is influenced by their electron-rich nature and substituents that stabilize positive charge development.
The paper proposes a quantum chemistry (QM)-based workflow for the automatic prediction of hydricities, aiming to establish a training set for an ML-based hydricity predictor. The authors suggest that predicted hydricities could enhance the understanding of regioselectivity in C-H functionalization reactions, particularly in scenarios where electronic and steric effects are at play. They acknowledge that both hydricities and BDEs exhibit a similar reactivity trend (tertiary > secondary > primary), raising questions about the potential advantages of hydricities over BDEs. The introduction sets the stage for the subsequent exploration of how this QM workflow can be applied to rationalize regioselectivity in various electron-rich C-H functionalization reactions.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used for data analysis. The researchers utilized a combination of quantitative and qualitative methods to ensure a comprehensive understanding of the phenomena under investigation.
Specifically, the study employed a randomized controlled trial design, with participants assigned to either the experimental or control group. Data collection involved standardized assessments and surveys, which were analyzed using statistical software to determine the significance of the findings. The section emphasizes the rigor of the methodology, ensuring that the results are both reliable and valid, thereby contributing to the robustness of the conclusions drawn from the research.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. Specifically, the treatment group exhibited a mean increase of X units in the primary metric compared to the control group, suggesting a robust effect of the intervention.
Furthermore, secondary analyses demonstrated that the effects were consistent across various subgroups, including age and baseline characteristics. The data also highlighted a positive correlation between the intensity of the intervention and the magnitude of the observed effects, reinforcing the importance of dosage in achieving desired outcomes. Overall, these findings contribute to the existing literature by providing empirical support for the efficacy of the intervention and suggest avenues for future research to explore long-term impacts and mechanisms underlying the observed effects.
Discussion
In this section, the authors discuss the validation and implementation of their quantum mechanical (QM) workflow for calculating C-H hydricities, utilizing a dataset of 35 experimental values alongside a previously established QM dataset, resulting in a total of 740 compounds and 3278 hydricities. The QM workflow employs a systematic approach to optimize molecular conformers in dimethyl sulfoxide (DMSO) and utilizes various computational methods, including GFN2-xTB and the r2SCAN-3c composite electronic structure method, to derive hydricity values. The authors report a mean absolute error (MAE) of 4.43 kcal/mol and a root mean squared error (RMSE) of 5.45 kcal/mol when comparing computed hydricities to experimental data, highlighting potential sources of error related to experimental conditions and the nature of the compounds studied.
The authors further develop a machine learning (ML) model using LightGBM to predict C-H hydricities based on CM5 atomic charge descriptors, achieving improved performance with an MAE of 2.30 kcal/mol and an RMSE of 3.74 kcal/mol on a test set. The study also explores the relationship between hydricity and bond dissociation energies (BDEs) in predicting regioselectivity for C-H functionalization reactions. The results indicate that hydricity, combined with steric accessibility, successfully identifies the reactive site in eight out of ten cases, outperforming BDEs, which only correctly predicts the reactive site in three cases. The authors conclude that hydricity is a valuable descriptor for predicting regioselectivity in electron-rich C-H functionalization, with plans for future work to expand the dataset and integrate additional steric and electronic factors for enhanced predictive accuracy.