如今，人工智能和機器學習幾乎可以解決所有問題。橫濱國立大學的研究人員利用這一現代優勢克服了傳統方法無法解決的問題。

談到含碳(或有機)分子的相互作用時，需要記住許多規則。分子上與其環境相互作用的基團的定位、分子的大小、形狀和位置以及與其相互作用的分子。給定反應的結果可能因這些因素和其他許多因素而有很大不同，預測這些結果已被證明是化學領域的一大挑戰。控制結果是化學合成中非常必要的組成部分，但預測并不總是足夠的。幸運的是，機器學習和人工智能 (AI) 再次可以通過預測給定反應的速率或選擇性來幫助推動進展。因此，這項技術可用于預測可以預期的產品。

研究人員于4月9日在《化學信息與建模雜志》上發表了他們的研究成果。

在有機化學中，每個細節都很重要。影響分子與其他分子相互作用的兩個常見領域是立體和軌道。立體是指分子的排列，立體效應可以決定分子的形狀和反應性。這可能是由于分子或單個原子的大小或電荷造成的。軌道是一種解釋電子最可能位置的方法，而電子又可以與其他分子或原子相互作用引起反應。這些因素可以極大地改變親核試劑或電子給體反應物與受體分子的結合位置。這被稱為“選擇性”，根據分子結合的位置，結果可以形成不同的產品或所需產品的產量。研究人員正在利用人工智能和機器學習以及現有的化學反應知識來更好地解釋分子選擇性的這些方面。

橫濱國立大學工程學院副教授、本文通訊作者后藤宏明表示：“要確定哪些信息可以作為提供給人工智能的必要化學信息，必須將化學知識與人工智能和機器學習的知識相結合。”

首先，必須向計算機輸入一些信息以供其學習。計算化學文獻中的信息和先前研究的信息被用于開始 AI 的教學過程。在對所使用的特定分子進行一些手動數據輸入并設置最佳參數后，根據測試數據集的預測結果運行數據分析。這些分析允許 AI 根據已知信息進行學習和預測未來的選擇性。“這種方法通過計算模擬接近親核試劑的球形空間的參數，可以更全面地分析和解釋反應機制，”橫濱國立大學化學與生命科學系研究的第一作者 Daimon Sakaguchi 說。

該研究成功解釋了 8 種親核試劑的 323 種反應選擇性，即分子的哪個“面”會產生最理想的產物量。選擇性的變化取決于分子的立體性和軌道因素。研究人員發現，對于某些分子，軌道因素在決定面選擇性方面更為重要，而其他分子則更多地取決于分子與親核試劑相互作用時的立體性。

預測技術和機器學習與現有的化學知識相結合，可以從化學反應中產生更好的結果，并幫助化學家以更簡化的方式合成天然產物和藥物化學品。

通過使用機器學習和人工智能簡化這一過程，可以進行更多實驗。理想情況下，研究人員希望與實驗化學家合作設計反應，并繼續開發更具預測性的化學反應技術。