Machine Learning of Organotransition Metal Reactions Using Graph Neural Networks

2023 Fiscal Year Final Research Report

• Project/Area Number: 21K12027
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 61030:Intelligent informatics-related
• Research Institution: Nagoya University
• Principal Investigator: Koji Yasuda 名古屋大学, 未来材料・システム研究所, 准教授 (70293686)
• Project Period (FY): 2021-04-01 – 2024-03-31
• Keywords: 深層学習 / 反応予測 / グラフニューラルネットワーク / 有機遷移金属

Outline of Final Research Achievements

A graph neural network (GNN) has been constructed to predict multiple types of organotransition metal catalytic reactions. By selecting elementary reactions as training targets and enforcing valence rules appropriately, we were able to predict products with up to 97.7% accuracy when starting materials and transition metal + ligands were input, even though the model has only a few tens of thousands of parameters. The GNN correctly predicted the substrate preference of each transition metal. The latent representation of a node in GNN was found to be understood as the role of the atomic group in the reaction.

Free Research Field

理論化学　機械学習

Academic Significance and Societal Importance of the Research Achievements

チタンやパラジウムなどの遷移金属を含む分子には、特定の化学結合を生成切断する触媒として、医薬品などの複雑な分子の合成に役立っている。有機化学者や理論化学者はこれまで、教科書や論文から反応パターンを学習し、新しい触媒反応を予想し実験して発見してきた。急速に発展しつつある深層学習を有機遷移金属反応に用いることで、プロ以上に有機遷移金属反応に詳しい AI を作る事を最終目標としている。適切なドメイン知識を用いることで、他研究の僅か1/1000のパラメターを用いて反応を高精度で予測できた。我々の機械学習モデルが量子化学計算を自律的に行い、反応探索を行える可能性が見えてきた。