在化工研发中，催化剂的设计决定了工艺开发的速度、成本与产率。但真正实现体系化研究极具挑战，具体而言，电子效应、空间效应、溶剂环境、构象柔性与过渡态稳定性等因素高度耦合，且对催化剂的骨架或取代基稍作改变，其结构空间就会呈指数级膨胀，产生成百上千的候选结构。虽然“分子模拟×AI”的趋势愈发明显，但如Catalysis-Hub、OpenCatalystProject现有平台仍偏数据库模式，无法围绕具体体系做深度定制，也难以让分子模拟、自动化计算与机器学习真正闭环协同。因此，一个真正可落地、能大幅降低试错成本的“一体化催化剂智能设计平台”成为解决企业催化剂研发难题的迫切需求。鉴于此，我们开发了新的催化剂平台：只需输入催化剂结构与实验数据，即可自动采集催化反应中的关键结构、构建分子集合、生成机理相关描述符并构建性能预测模型，全流程自动化、低门槛。

 图1. 选择的测试反应:8-氨基喹啉移氢化反应

    为了验证平台对真实体系的适配能力，我们复现了发表在顶级期刊Chem的手性磷酸（CPA）催化体系(Chem,2023,9(6):1518-1537.)。原研究以8-氨基喹啉氢化为模型反应，使用高精度DFT（PW6B95(D3)/cc-pVTZ//PW6B95(D3)/6-31G+(d,p)）计算了500+描述符，这个过程包括筛选出20个训练集分子，对它们进行构象搜索、DFT几何结构优化、高精度能量计算以及量子化学描述符计算，最终以最低能量构象中氮原子的Hirshfeld电荷与磷酸氧的CHELPG最小电荷作为双参数模型解释反应选择性。我们将论文中提供的结构与实验数据输入平台后，系统自动完成三步：采集催化剂实验性能数据；识别反应过程中不同类别的骨架结构；并自动为不同骨架补全取代基生成多批候选分子。随后平台在后台自动完成结构优化、描述符计算与模型训练，用户几乎无需额外操作。需要说明的的是我们催化剂平台灵活度高，支持多个精度的计算化学计算方法，以及内嵌多种机器学习模型方法。该测试案例选择基于低精度的xTB计算方法，预测模型根据预测效果自动化选择。

以下为各步骤具体内容：

第一步：采集多个催化剂的反应参数数据以及催化性能数据，如下图2所示；

 图2. 催化剂的反应参数数据以及催化性能数据

第二步：采集多个催化剂的不同类别反应过程的分子骨架，以及对分子骨架的关键信息进行采集，如下图3所示；

 图3. 催化反应过程重要分子骨架结构采集

第三步：针对性地对第一步中不同催化剂补充分子骨架的取代基，如下图4所示。

 图4. 催化反应过程骨架取代基采集

    完成以上三步即完成了催化反应输入信息的采集，接下来经过自动化计算后，即可完成预测模型的构建，如下图5所示是最终训练的预测模型。通过筛选可以得到最终选择性模型（如下图6所示）和产率模型（如下图7所示）。

相关标签