一种用于快速大规模计算筛选 的自动化工作流程，以满足现代催化剂开发的需求
执行摘要
第一性原理模拟 已成为预测均相催化中基本步骤的结构、化学机理及反应热力学的可靠工具。对竞争路径反应坐标的详细分析，揭示了对观测到的催化活性的根本性理解，详见选择性 和特异性 。这种预测能力为加速具有增强性能的新型单位点催化剂的计算发现与设计提供了机遇。
然而，随着技术的飞速发展和材料的不断创新，挑战依然存在：
- 随着对创新需求的增加，化学反应的复杂性以及相关计算研究的需求也随之增加
- 传统催化剂的发现速度有限，无法满足对更优质催化剂的需求
- 现有的计算框架不仅需要大量人工操作、规模有限，而且要求具备高水平的专业知识和培训
- 对新型催化剂进行分类编目并维护相关数据库是一项既具挑战性又耗时的工作
为了使新型催化剂的基础研究、设计和发现过程更加普及化，Schrödinger 开发了一套名为AutoRW的自动化反应工作流。AutoRW整合了高通量筛选 催化剂、试剂和底物所需的枚举、映射、组织和输出等要素，只需提供预先构建的反应坐标、新型化学片段以及用于枚举的任意R基团即可。 通过自动化处理流程并计算每种反应的反应坐标、速率、能量、过渡态、结构及性质，AutoRW 简化了大规模计算催化剂筛选 的开发流程。
解决方案：AutoRW——用于自动化大规模催化剂制备筛选
- 简明且可定制的工作流程，可提高可重复性和可预测性
- 无论对于计算领域的专家还是非专家用户，都易于使用
- 在应对高度复杂的问题和挑战时提高生产力
- 在手动方法可能遗漏构象变体的区域，覆盖范围得到了增强
- 优化文件和属性的组织方式，以节省时间并减少错误
- 专门的科学及技术支持 ，以及丰富的学习资源
案例研究：AutoRW 如何加速催化与反应性领域的创新
理解催化剂选择性 对聚丙烯立构规整性的影响
烯烃基聚合物产品的产量已超过1亿吨。其中，聚丙烯是产量第二大的聚合物。其物理性能直接受相邻立体中心的规则性影响。这种规则性，即规整度，由动力学选择性 决定，而通过控制α-烯烃单体的引入，可以对其物理性能进行精细调节。 在本项目中，科学家们利用AutoRW对13种等规催化剂进行了研究，以从根本上理解聚丙烯的相邻立体选择性。研究结果与实验选择性高度吻合（R² = 0.8）。这种快速且精确的方法有助于优化聚丙烯的设计与合成，从而获得靶点 的结构和性能。
筛选 环氧树脂与胺的反应在高效高性能聚合物设计中的应用
近年来，热固性聚合物因其优异的热机械性能，在航空航天、汽车、国防以及高性能运动器材等领域备受关注。尽管热固性聚合物用途广泛，但将其融入新材料的成本较高。加快研发流程不仅能降低成本，还能减少难以回收的热固性废料的积累。 为此，科学家们研究了一组包含12种胺和21种环氧化物的化合物库，以构建相对反应能垒热力图。每种环氧化物/胺组合均经过“反应工作流”分析，以定位反应中的所有驻点并计算所有反应步骤的能垒，从而实现高性能聚合物的有效设计与合成。
研究共单体选择性 以优化嵌段共聚反应
嵌段共聚物具有高强度、柔韧性和高熔点等独特性能。其物理性能直接受聚合物嵌段长度和分布的影响，而这些又取决于共单体选择性 的动力学特性以及链转移剂的活性。 共单体选择性 既受催化剂影响，也受现有聚合物产物影响。在此项目中，科学家们运行了 AutoRW 程序，对 35 种催化剂衍生物与不同的聚合物基质进行筛选和测试，以了解催化剂对不同共聚反应中共单体选择性 的影响。这种方法能够快速筛选 催化剂和基质，从而设计出具有靶点 结构和性能的嵌段共聚物。
推动整个研发项目团队开展先进催化剂的发现工作
随着现代研发流程朝着更加协作化和全球化的方向发展，各方在跨团队和跨地域的数据存储与共享、沟通以及项目管理方面投入了巨大精力。为打破信息孤岛和壁垒，已开发出企业级研发信息学平台，并已被多个分子设计行业的众多公司所采用。
其优势显而易见：项目团队可以跨越部门和地点、跨越地域和时区，甚至跨越公司边界开展工作，并实时共享实验、设计、流程、仿真等所有项目数据；团队能够无缝地共享、分析和交流数据，并迅速做出决策，从而加速项目的协作与进展。 企业信息学平台还能简化和优化组织的数据管理，消除将海量数据存储在计算机硬盘上所造成的混乱，并解决团队间数据传输以及团队或人员变动时数据转移的问题。
Schrödinger LiveDesign 是一款功能强大的基于网络的信息学和分子设计平台，它使团队能够通过在集中式平台上进行协作、设计、实验、分析、跟踪和报告，从而快速推进材料发现项目。通过将 AutoRW 集成到 中，科学家可以充分利用这两者的优势。LiveDesign
LiveDesign 中的 AutoRW 功能，助力企业全面节省时间和成本
- 针对催化与反应性的简化自动化企业解决方案
- 可扩展，以满足大型全球性组织的需求
- 集成式 配备先进的机器学习（ML） 系统
- 化学家、建模专家和工程师在单一基于网络的平台上开展端到端的协作式探索
- 实时分享想法和成果，以加快决策进程
- 直观的化学信息学：同时对实验数据和计算数据进行可视化、数据及模型分析
借助LiveDesign ，该团队每年可协作对超过2000种催化剂进行虚拟筛选，而单个建模用户每年仅能筛选约150种催化剂。采用自动化企业级工作流先导化合物 ，可显著提高成本效益和成功率。
结论
各行业的科学家正迈入催化研究的新范式。过去基于纯粹实验试错的研究，正转向以计算为驱动的工作流程。技术的快速发展和项目合作模式的演变，要求在企业级层面实现简化和自动化的工作流程。Schrödinger的 AutoRW 和LiveDesign 能够在单一的基于 Web 的平台上，以自动化、加速化和协作的方式实现理性催化剂设计，这些工具易于使用，并可在不同团队和组织之间轻松部署。
这些工具使科学家能够以更短的时间和更低的成本，解决更为复杂的反应和催化体系所带来的高难度挑战，同时提高预测准确性和工作效率。