上智院提出催化模型CatEmb，从2D图学习3D电子效应
CatEmb是一种能从2D分子图快速生成含3D立体电子效应的催化剂嵌入模型，显著提升催化筛选效率。
催化剂筛选常依赖多种描述符，计算成本高。CatEmb通过对比学习对齐2D分子图和3D结构-能量信息，仅输入SMILES就能生成包含立体电子效应的向量，无需额外计算。在干湿闭环实验中，该模型推荐的催化剂方案使某反应活性提升至文献的约6倍。
正文摘录
.jpg) 作者 | 论文团队 编辑丨ScienceAI 在催化反应中，催化剂和配体的立体效应与电子效应，往往共同决定反应的活性和选择性。然而，传统方法通常需要分别使用多种描述符刻画这些性质：有的依赖人工指定原子索引，有的需要耗时的构象搜索和量子化学计算，还有的只能反映局部结构特征。这种碎片化的表征方式，不仅增加了建模复杂度，也制约了催化剂的大规模自动筛选。 近日，上海科学智能研究院（下称「上智院」）联合复旦大学在 Digital Discovery 发表研究论文，提出了 一种名为 CatEmb 的催化剂嵌入模型。 作为 上智院自研的燧人物质科学系列模型的功能层 ，该模型通过对比学习对齐二维分子图与三维结构 — 能量信息，仅以二维分子结构为输入，即可快速生成包含立体电子效应的统一向量表示，为催化剂相似性检索、性能预测和智能推荐提供通用工具。 作为「[Golab 物质科学智能研发工厂](https://mp.weixin.qq.com/s?biz=MzI3MjM3ODk0NQ==&mid=2247512876&idx=1&sn=a53da1f1c6dbfbbe73862495dc0f7529&scene=21wechatredirect)」在干湿闭环实验中用于催化剂推荐的重要模型之一， CatEmb 已被进一步接入该产品中，在超过 100 小时的 AI 自主科研直播中参与催化剂优化，并与自驱动实验室协同完成两轮「模型推荐 — 实验验证 — 数据回流 — 模型再优化」，助力某催化反应提至文献方案的约 6 倍 。