由于復雜的結構-性能關系，如何設計新型分子催化劑的合理設計通常具有挑戰性。新型數據驅動方法提供革命性的解決方案，但是，將機器學習應用于新催化劑的開發不可避免地面臨數據量不足的情況，可用的有效結構-性能模型有限。
有鑒于此，浙江大學洪鑫教授、Shuo-Qing Zhang等報道提出了一種遷移學習策略（Transfer Learning），因此能夠從有限的Pd催化體系開發了一種全新、少見的Ni體系的知識遷移。
本文要點：
（1）
通過將大量的鈀催化數據與有限的Ni/雙膦配體（Sadphos）數據進行協同建模，這個方法能夠準確地預測了新型雙膦配體（Sadphos），從而實現了首例鎳催化的對映選擇性Suzuki–Miyaura交叉偶聯反應。
機器學習預測的配體的合成實用性進一步體現在其廣泛的合成范圍、克級規模合成以及通過鎳和鈀催化下的順序偶聯對三聯萘中雙軸手性的精確控制上。此外，這項工作使用DFT理論計算表明這種新型Ni催化劑的反應機理和立體化學模型，驗證了所提出的Ni和Pd之間的機理關系。
（2）
這項工作展示了機器學習模型如何有效地利用機理連通性，將文獻中廣泛的結構-性能關系數據應用于預測新催化劑，為從少量樣本進行學習的方式為合理設計分子催化劑提供一種新策略。
參考文獻
Xin-Yuan Xu, Li-Gao Liu, Li-Cheng Xu, Shuo-Qing Zhang*, and Xin Hong*, Transfer Learning-Enabled Ligand Prediction for Ni-Catalyzed Atroposelective Suzuki–Miyaura Cross-Coupling Based on Mechanistic Similarity: Leveraging Pd Knowledge for Ni Discovery, J. Am. Chem. Soc. 2025
DOI: 10.1021/jacs.5c00838
https://pubs.acs.org/doi/10.1021/jacs.5c00838
