主动学习结合几何深度学习提升数据稀缺药物发现中的化学反应预测

研究提出一套闭环工作流，将高效反应数据获取与高精度深度学习结合，用于数据稀缺条件下的化学反应结果与区域选择性预测。作者用基于树集成的主动学习策略挑选信息量最大的实验，由此获得一个多样化的 C–H 硼化基准数据集，并在此基础上训练和评测几何图神经网络。结果显示，为这类对称性感知模型加入自监督辅助任务后，反应结果预测和区域选择性预测的表现均稳定提升。在含 N-杂芳基等难处理基团的未见底物上前瞻测试中，该流程全部定位到正确的硼化位点，作者据此认为其可用于高效的药物优化。