Underexplored Catalysts as General Structures: Application of Machine Learning Techniques for Reaction-Specific Datasets
Notice bibliographique
Résumé
General catalysts are usually identified through broad experimental screening to find structures that perform reliably across many substrates and reaction classes. In secondary amine organocatalysis, historical reporting is strongly skewed toward a small set of standard catalysts, leaving many plausible scaffolds underexplored and difficult to evaluate objectively. Here, we apply a bias-aware machine learning workflow designed for small, uneven datasets to prioritize candidate general catalysts from limited historical data. Within the iminium-based reaction space used to construct the curated and virtually balanced dataset, this analysis surfaced several high-performing candidates, including a rarely studied imidazolidinone bearing a benzyl-protected indole substituent. Despite minimal precedent, this scaffold performed competitively in experimental benchmarking and external transferability tests. In a retrospective analysis restricted to pre-2005 examples, the same workflow prioritized catalyst families that later became widely adopted (e.g., diarylprolinol silyl ethers and imidazolidinones) among its top candidates, consistent with earlier prioritization from the literature available at the time. Together, these results show how bias-aware modeling can highlight overlooked scaffolds and reduce the experimental burden required to identify broadly useful catalysts. Pairing targeted experiments with data-driven prioritization provides a practical route to expanding the set of reliable secondary-amine catalysts beyond the structures that dominate current practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».