一组研究人员使用一种受进化启发的计算方法发现了一种性能优于已知催化剂的有机催化剂。正如该团队在Angewandte Chemie International Edition杂志上报道的那样，一种遗传算法为有机合成中的流行反应提出了新的催化活性分子结构。该方法可以更广泛地应用于寻找更好的分子催化剂，研究小组说。

机器学习系统已经可以高精度地预测各种化学领域的材料特性和分子结构。然而，迄今为止，自动化寻找新的和改进的催化剂是不可能的，尽管开发用于化学反应的新催化剂目前是化学研究中最重要的目标之一。更高效的催化剂为更快、更容易的反应打开了大门，这些反应消耗的能量更少，副产物也更少。

自动化系统在寻找新催化剂时遇到困难的原因在于反应过渡态，丹麦哥本哈根大学计算化学教授，该研究的通讯作者Jan Halborg Jensen解释说。这是因为催化剂会影响过渡态;换句话说，决定产品是否形成的反应时刻。这一刻的转瞬即逝的性质，以及形成的结构的复杂性，许多分子同时相互作用，使得开发模型变得困难。

为了克服这个问题，詹森和团队转向了一种基于进化原理的选择方法。遗传算法用于评估一组起始分子是否适合催化森田-贝利斯-希尔曼(MBH)反应。“然后你拿最适者的分子并交配它们，这意味着你在随机的地方切割两个父母，并从每个父母那里重新组合片段，”詹森解释说。“如果你这样做的次数足够多，最终种群看起来与最初的种群非常不同，就像吉娃娃与它的狼祖先不同一样。

通过这种方式，计算机生成的最终分子具有新的结构基序，即四元氮杂环丁烷环，这在初始群体中不存在。然后，该团队合成了一种计算机进化的氮杂环丁烷候选物，并在反应中对其进行了测试，发现它的性能明显优于传统催化剂DABCO(1，4-二氮杂双环[2.2.2]辛烷)。“氮杂环丁烷从未被认为是MBH反应的催化剂，因此该算法做出了真正新颖的发现，”詹森说，强调了计算机辅助发现在化学研究中的重要性。

Jensen说，未来使用这种技术的一个基本先决条件是了解所讨论反应的关键过渡态。他认为，如果知道这一点，遗传算法可以帮助识别新的和改进的有机催化剂。