研究背景

团队将机器学习与化学机理研究结合，构建了完整的"数据驱动"研究框架。他们首先从PubChem数据库中筛选13,250种异硫氰酸酯，运用主成分分析（PCA）和k-means聚类，最终合成了44种具有不同芳基取代基（邻、间、对）的硫脲催化剂（图1）。

核磁共振（NMR）谱作为一种无损且对局域结构敏感的表征手段，适合用于溶剂化结构中特定原子核化学环境的表征。此外，实验NMR谱还能揭示弛豫时间、交换动力学等信息。然而，将观测到的NMR谱变化与内在分子结构变化联系起来是一项极具挑战性的任务。一些采用密度泛函理论（DFT）计算的研究，通过复杂的采样方法进行团簇提取，能够为电解质NMR谱的变化趋势提供有限信息。已有许多静态计算尝试利用第一性原理方法计算¹H、⁷Li、¹⁷O、²⁵Mg、⁴³Ca、⁶⁷Zn NMR谱来解释结构-光谱关系。尽管如此，实验化学位移反映的是来自不同局域位点的加权平均，融合了局域结构和动力学信息，这种统计平均使得信号分辨变得复杂，也加大了解析谱构关系的难度。

以(R)-硫辛酸甲酯为模型单体，团队通过¹H和¹³C NMR量化了聚合速率（kₚ）和区域选择性（Pₛₛ），发现活性差异近两个数量级（0.15–7.31 h⁻¹），选择性范围较窄（0.61–0.76）。研究采用极端梯度提升（XGBoost）结合逐步回归分析高通量反应数据及62个分子描述符（图2），并通过SHAP（沙普利加和解释）量化特征贡献（图3–4）。

研究内容

研究通过数据科学揭示了过渡态稳定机制，证明硫脲催化剂中构象、电子和空间特征的协同效应。芳基二面角（Major Φ）和构象比例（γ）对反应活性起决定性作用——更平面的芳基（如间位−NO₂取代的催化剂20）减少旋转异构体并提升活性（图3）。区域选择性则受芳基NH位点空间位阻（Vbur(H5)）和胺氮给电子能力（ALIEmin(N27)）共同调控（图4）。电子效应方面，吸电子基团增强芳基π平面与单体的范德华接触以提高选择性，供电子基团则稳定阳离子以降低能垒。最终，团队发现卤素取代催化剂（如24、25、26、40）通过适度电正性和最小位阻实现活性-选择性平衡，得到了比前作性能更加优异的催化剂。

团队通过密度泛函理论（DFT）计算发现高选择性催化剂8的芳基扭曲构象可形成更紧密的过渡态（范德华接触距离缩短0.11 Å），而高活性催化剂20因构象单一性实现高效预组织（图5）。这些结果与机器学习预测高度吻合，证实了数据驱动方法的可靠性。

总结与展望

该研究开创了数据科学工具在聚合催化机理分析中的系统性应用，突破传统局限，为复杂催化体系的理性设计提供了新范式。提出的"活性-选择性权衡"原则和卤素取代优化策略对有机催化体系设计有重要参考意义，展现了人工智能在化学机理研究中的强大潜力。未来工作将探索更广泛的催化剂骨架和反应类型。

作者介绍

刘允博士，北京大学化学与分子工程学院研究员、博士生导师，国家自然科学基金优秀青年科学基金（海外）获得者（2022年）。2017年获美国印第安纳大学化学博士学位，2011年获厦门大学化学学士学位，2017-2021年在美国伊利诺伊大学厄巴纳-香槟分校（UIUC）贝克曼先进科学技术研究所从事博士后研究，师从Jeffrey S. Moore院士。2021年9月加入北京大学任独立PI，课题组专注于动态聚合物合成及聚合物物理化学研究。

汪骋，厦门大学化学化工学院教授，国家高层次青年人才，2020年度中国化学会青年化学奖得主。北京大学学士毕业后（2009），美国北卡罗莱那大学教堂山分校获得博士学位（2013），开展MOF催化研究。之后在芝加哥大学开展博士后研究，从事飞秒超快光谱（2013-2015）。2015.07-至今在厦门大学任教授。发表论文120余篇，他引10000余次。课题组目前主要研究方向为：金属有机层（MOLs）的设计开发及其在催化中的应用，多孔材料的3D打印光子材料制备，以及基于人工智能的催化材料开发（包括CO2电还原、氢同位素分离和肽添加剂光催化等方向，率先将机器学习和大语言模型引入催化剂设计与机理解析）。

原文链接：https://onlinelibrary.wiley.com/doi/10.1002/anie.202502090