J. Am. Chem. Soc. | AI驱动乙二醇解PET的路易斯酸–碱催化剂的开发

    大家好，今天给大家分享一篇近期发表在J. Am. Chem. Soc.上的研究进展，题为：Optimizing toward Discovery:AI-Driven Exploration of Lewis Acid−Base Catalysts for PET Glycolysis。该工作的通讯作者是来自中国科学技术大学的江俊、陈林江、张小龙和伯明翰大学的Andrew P. Dove。

    塑料废弃物问题日益严峻，其中聚对苯二甲酸乙二醇酯（PET）难以自然降解，长期累积会产生微塑料污染。尽管机械回收经济可行，但可能导致材料性能下降，限制其高值利用。相比之下，化学解聚（尤其是乙二醇解）可将PET转化为高附加值单体双（2-羟乙基）对苯二甲酸酯（BHET），具有实现闭环回收的潜力，但其反应动力学缓慢，亟需高效催化剂。当前虽已开发多种均相与非均相催化体系，Lewis酸–碱体系广受关注，但受限于庞大的组合空间与传统试错方法效率低下的问题，酸碱协同效应尚未被系统探索，因此亟需更高效、系统化的催化剂筛选与发现策略。 

    本文提出了一种自动化化学策略，在机器人“AI化学家”平台上，将高通量实验（HTE）与人工智能（AI）相结合，对PET乙二醇解中的Lewis酸–碱组合进行系统筛选。该平台能够实现反应配置、催化测试及产物表征的并行化与自动化。同时结合人工智能工具，包括贝叶斯优化（BO）和大语言模型（LLMs），智能地优先筛选假设、发现非显性相互作用，并提出超越传统经验的新型催化体系。 

图1. AI加速发现Lewis酸碱催化剂用于PET乙二醇解。

    作者第0阶段通过已报道文献筛选多样化Lewis酸–碱组合建立性能基准，第1阶段利用贝叶斯优化在已知优选与未知空间之间高效探索，获取更丰富的数据；第2阶段借助大语言模型挖掘潜在结构–活性关系并生成可验证假设；第3阶段结合人类经验对AI结果进行拓展，提出超出原始搜索空间的新型催化剂。人机协同策略突破传统数据驱动优化的局限，实现从探索到推理再到创新发现的跃迁。（图1）

图2. 筛选流程、核磁定量和PET解聚催化剂的性能基线。

    高通量合成平台由四个核心模块组成：（1）PET固体研磨单元；（2）配备固液处理功能及温控反应器的高通量反应工作站；（3）与400 MHz核磁共振（NMR）光谱仪集成的自动化样品制备与处理模块；（4）负责在各单元之间转运化学品和样品的移动机器人。以DMF为内标，通过¹H NMR测得的BHET粗产物产率。基于文献中关于Lewis酸与碱协同效应的研究，作者选择了多种金属盐路易斯酸（如乙酸锌、三氟甲磺酸锌、三氟乙酸锌）与一系列有机路易斯碱（如4-二甲氨基吡啶（DMAP）、DBU、氰胺（亦可作为路易斯酸）、膦腈、TBD和DBN）进行组合，并进一步拓展有机碱范围，纳入多种含氮杂环化合物（如吡啶、咪唑、喹啉和吖啶衍生物），以及超强碱四甲基胍（TMG），结果表明，乙酸锌–DMAP组合效果最佳。同时也表明，仅依赖文献知识难以实现突破，亟需能够探索未知空间的优化或发现方法。(图2)  

图3. AI驱动的催化剂发现和假设生成工作流程。

    在阶段0获得的78组基础实验数据基础上，作者引入60种路易斯酸和186种路易斯碱，涵盖有机酸盐、无机盐、杂环碱和胺类等多种类别，共计11,160种组合。同时开发了一种增强型贝叶斯优化（e-BO）框架结合传统BO和大语言模型（GPT-4o）。与传统物化描述符不同，LLM嵌入能够反映如空间位阻及配位模式等复杂性质。在该特征空间中，化学性质相似的分子彼此接近，从而为BO建模酸碱组合与催化性能之间的复杂关系提供了更具表达力的基础。具体而言，作者将所有候选酸碱名称输入GPT-4o，获得1536维嵌入向量，并通过随机高斯投影降至每个分子20维。最终，每对酸碱以40维向量输入BO模型，大幅降低计算成本同时保持表达能力。BO基于高斯过程模型预测催化性能，并通过采集函数在已知高性能区域开发与未知区域探索之间取得平衡。该过程迭代13轮，每轮推荐6组催化剂，共测试78组组合。在阶段2中，作者利用LLM对阶段0和1的数据进行多角度分析，并生成化学假设。所有催化剂组合及其BHET产率被整合输入模型，输出5条关于结构–活性关系或催化机理的假设，并附带解释、文献依据及实验验证建议。模型还为每条假设推荐3组新催化剂，共计15组。阶段3中研究人员进一步引入超出既定搜索空间的新型路易斯酸和碱，实现从“算法优化”向“人类主导发现”的转变。（图3）

图4. 扩展已探索的化学空间，并在各个阶段提高性能。

    结果表明，在阶段0中，基于文献的筛选确定了无水乙酸锌/DMAP为最优组合（BHET产率86%）；然而，其性能分布较为集中，表明对化学空间的探索有限。阶段1通过贝叶斯优化对扩展的化学空间进行探索，不仅带来了更广泛的性能分布，还通过系统测试正负样本建立了关键的结构–活性边界。阶段2利用LLM不仅发现了性能更优的乙酸锌/8-羟基喹啉催化体系（BHET产率90%），还揭示了关键催化原理，尤其是电子效应与空间位阻效应。阶段3进一步结合AI指导与研究人员经验，开发出锌新戊酸盐/N,N′-二乙基乙二胺催化体系。这一突破性催化剂实现了95%的产率，并在放大实验中表现出优异的可扩展性，同时在低负载条件下仍保持高效。（图4） 

图5. 催化效率和机制的分析。

    锌新戊酸盐/N,N′-二乙基乙二胺体系的优异性能来源于其显著的协同效应。动力学研究显示，该体系对PET颗粒呈现典型的“收缩核模型”反应特征。机理研究揭示了双重活化机制：（1）锌中心与PET羰基氧配位，通过电子吸引增强其亲电性；（2）胺基同时极化乙二醇羟基质子，降低其电离能。两者协同作用，大幅加速了解聚反应。（图5）

    综上，本研究提出的“AI–自动化–人”协同框架展示了一种可扩展且具有通用性的化学发现策略，能够从传统的数据驱动优化迈向真正的“意外发现”。通过结合大语言模型生成的语义嵌入与贝叶斯优化，高效探索了高维催化剂空间，成功发现了此前未报道的高性能PET乙二醇解催化体系，还总结出适用于多种酸–碱协同催化反应的通用设计原则。

作者：ZXY  审校：ZHR

DOI: 10.1021/jacs.5c20630

Link: https://doi.org/10.1021/jacs.5c20630