Corey−Bakshi−Shibata (CBS)还原反应是一种重要的有机合成方法，广泛应用于对映选择性还原酮类化合物。（图1）然而，当底物的立体选择性差异仅在于一个亚甲基单元时，反应的对映选择性显著降低，这被称为“甲基/乙基问题”。这一挑战长期以来困扰着化学家，因为甲基和乙基在立体电子性质上的差异极其微小。传统的催化剂设计策略在应对这种微小差异时，往往只能依赖于立体位阻效应或伦敦色散相互作用，但这些方法的效果有限。

图片来源：JACS

        为了应对这一难题，本研究采用机器学习技术，通过构建一个高质量的小数据集，利用图神经网络（GNN）模型，预测并优化CBS还原反应中的催化剂。研究中使用的数据集包含大约100次反应（每次反应进行三次重复），这些数据用于训练模型，预测反应路径中吉布斯自由能变化的差异（ΔΔG‡）。通过这种方法，作者能够筛选出性能更好的催化剂，并成功将对映选择性提高到80%，这是迄今为止使用无金属催化剂在该底物上达到的最高值，也超过了目前最好的酶系统（64%）和Corey原始催化剂（60%）。

       本研究通过机器学习技术，成功解决了CBS还原反应中的“甲基/乙基问题”，提高了反应的对映选择性，并为未来的催化剂优化提供了新的方法和思路。这一成果不仅在理论上具有重要意义，也在实际应用中展现了巨大的潜力。

标题：Leveraging Limited Experimental Data with Machine Learning: Differentiating a Methyl from an Ethyl Group in the Corey–Bakshi–Shibata Reduction

作者：Oliver Pereira, Marcel Ruth, Dennis Gerbig, Raffael C. Wende, and Peter R. Schreiner*

链接：https://doi.org/10.1021/jacs.4c01286