机器学习已在化学科学中广泛用于药物设计和其他过程。前瞻性地测试了新反应结果并用于增强人类对这些模型做出的化学反应性决定的理解的模型非常有限。

普渡大学的创新者引入了化学反应性流程图，以帮助化学家使用经过少量反应训练的统计可靠的机器学习模型来解释反应结果。这部作品发表在《有机快报》上。

普渡大学理学院的分析和物理化学助理教授Gaurav Chopra说：“开发新的快速反应对于药物发现中的化学文库设计至关重要。” “我们已经开发了一种新的，快速的，单锅的N-磺酰嘧啶多组分反应(MCR)，该反应作为代表案例用于生成机器学习模型的训练数据，预测反应结果并以盲目预期的方式测试新反应。

“我们希望这项工作能够通过开发准确的，人类可理解的机器学习模型来解释反应结果，从而为改变当前的范式铺平道路，从而提高人类化学家发现新化学反应的能力和效率，并增强有机化学和过程化学流水线。 ”

乔普拉说，普渡大学团队的人类可解释的机器学习方法(作为化学反应流程图引入)可以扩展为探索任何MCR或任何化学反应的反应性。它不需要大规模的机器人技术，因为化学家在实验室中进行反应筛选时可以使用这些方法。

“我们提供了一个框架的第一份报告，该框架结合了快速合成化学实验和量子化学计算以了解反应机理和人类可解释的统计学上强大的机器学习模型，以识别用于预测和实验测试N-磺酰亚胺的异质反应性的化学模式，” Chopra说。

Chopra实验室的博士后研究员Krupal Jethava表示：“在产生化学反应性流程图时空前使用机器学习模型有助于我们了解MCR中传统使用的不同N-磺酰亚胺类化合物的反应性，”合着这项研究的Chopra实验室的博士后研究员Krupal Jethava说。“我们相信，与有机和计算化学家并肩作战将为将来解决其他反应的复杂化学反应性问题开辟一条新途径。”

乔普拉说，普渡大学的研究人员希望他们的工作能够成为许多实例之一，这些实例将展示机器学习在药物设计及以后的新合成方法开发中的强大作用。

“在这项工作中，我们努力确保不熟悉该领域的化学家能够容易地理解我们的机器学习模型，”普渡大学前毕业生乔纳森·芬恩(Jonathan Fine)说，他是该作品的合著者。“我们相信这些模型不仅可以用来预测反应，还可以用来更好地理解何时会发生给定的反应。为了证明这一点，我们使用我们的模型来指导其他底物来测试反应是否会发生。 ”