今天给大家介绍的是ASCOUNTS of chemical research上有关连续流的文章 "Feedback in Flow for Accelerated Reaction Development"制药行业正在投资连续流和高通量测试，用来快速开发工艺，加速和扩大规模。这些技术与自动化技术结合以后，能够对化学反应进行全面的表征和优化，然而进行详尽的多因素筛选的成本高昂。流动化学中的自动反馈为研究人员提供了另一种有效表征反应的策略，该策略基于连续流技术来控制化学反应条件和优化，代替筛选。通过反馈优化系统获得更多的化学反应信息，使产品产量最大化，并在实验次数最小化的同时生成动力学模型。本文首先回顾了流动化学中的自动反馈系统的一些案例和应用。 在文献中流动反馈系统被分为三类。Ⅰ：确定性“黑箱”优化系统，该系统不对反应系统进行建模，因此放大结果的作用有限。Ⅱ：确定性的基于模型的优化系统，可以自动评估反应动力学和/或机制。Ⅲ：随机系统。尽管应用多种多样，但流动反馈系统主要集中在连续变量的优化上，即诸如时间、温度和浓度等可以从一个实验直接过渡到下一个实验的变量。这意味着没有考虑到对催化剂、催化剂配体或溶剂等离散变量筛选的自动流程优化。因此，作者提出了一个可以同时优化离散变量和连续变量的系统策略。
在这个系统策略中，自动反馈与液滴微流体中的高通量反应筛选相结合，液滴在一个全自动的微流控系统中进行反应，并通过LC/MS进行在线分析。自动反应开发与化学信息学、分析和机器学习算法相结合，可以指导和优化化学合成。采用这种技术可以减少研究生和博士后在实验室的常规任务上的时间，同时反馈用于指导新研究方向的知识。此外，这项技术在工业中的应用有望减少与推进药物分子的开发和放大相关的成本和时间。
发现和开发一种药物的成本估计超过20亿美元。制药行业一直都在寻找创新和具有成本效益的方法，以减少工艺耗时，最小化前置时间，并加速扩大规模。实现这些目标的一个途径是采用连续流技术，通过促进更安全、更环保、更积极的流动合成路线，减少与制造相关的成本和风险。在实验室规模上，连续流可以提供快速可扩展的结果、加速反应开发，超过了传统批处理工作流的工作效率。许多技术和方法都属于“加速反应开发”的范畴。作者主要关注微反应技术的发展，也就是利用对亚毫米级反应堆的使用，来实现高度控制的化学合成，然后应用于规模更大的流动系统。与在线分析设备结合，加速从连续流动系统中收集数据，通过实时监测中间体和副产品以应对工艺变动，从而增强对反应机理的理解。在连续流中使用自动反馈系统为研究人员提供了一种有效描述反应的替代策略。反馈所有的实验条件不是为了预先筛选，而是选择一个或多个初始实验作为初始化，然后优化路线，选择下一个最佳实验去引导系统找到最优条件（图1）。新实验可以随机选择进化算法或应用确定性模型，它可以简单到一个分段响应面（比如Simplex算法），也可以复杂到完全描述系统内的动力学。通过连续流动和在线分析，构建智能自动化系统，使用实时收集的实验数据作为快速反应开发的反馈。如图2所示，这些系统集成了试剂输送、流动反应条件和在线取样的自动控制。分析结果返回给执行优化算法的计算机，优化算法决定了下一步的自动化实验。在此，我们回顾了连续流中反馈优化的选择实例，然后详细介绍了同时进行连续变量、离散变量优化的经验，最终目标是通过一个按钮全面优化反应系统。
2.1 “从无到有”的反应优化
在没有先验信息或模型的情况下，合理的优化策略必须接受已知的影响因素，并解释导致目标改进的这些变量之间的关系。这种无模型策略通常被称为“黑盒”优化。黑盒优化的一个显著缺点是，不会为优化提供建模结构，在最终输出中几乎得不到基本信息。因此，最佳结果并不能保证在各个规模之间的迁移。然而，如果反馈系统被设计为确定内在反应速率，例如在快速传热和传质以及微尺度流动系统中发现的低分散的条件下，黑盒优化的结果仍然有很大的实用价值。最早将黑箱优化算法纳入自动化微反应器实验的人是Krishnadasan和Jensen等。krishnadasan等人采用SNOBFIT（基于分支拟合的稳定噪声）算法优化硒化镉量子点的自动合成。Jensen等人将SNOBFIT算法与两个局部搜索黑盒优化算法—Nelder-Mead Simplex（内尔德-米德单纯形）算法和最速下降法比较，研究聚甲醛和丙二腈的Knoevenagel（克脑文盖尔）缩合反应。虽然Simplex方法只是一种局部搜索策略，但在黑盒流动优化系统中已经得到了广泛的应用，这个策略执行起来很简单，也不需要近似的梯度，很适合昂贵的实验。在一个应用中，McMullen和Jensen演示了Simplex在苯甲醛生产的四维优化，使收率从21%提高到80%。在选择性Heck反应中，Simplex进一步应用于优化的烯烃等价物和反应时间，这些方法使用了微反应器和HPLC（高效液相色谱）反馈回路，如图3所示。2.2 流动化学动力学：放大规模通过反馈，自动化系统可以确定哪些动力学实验是最值得运行的，选择最优速率参数和甄别候选速率。以McMullen等的反馈法测定反应动力学为例，采用硅微反应器连续流动系统研究异戊二烯和马来酸酐的Diels - Alder反应（图4），并与在线HPLC相结合，利用信息熵极大化算法（一种选择实验旨在最大限度地提高动力学速率定律与预测之间的差异的反馈算法），来确定模型。在确定了正确的动力学模型后，采用D-optimal实验设计策略来最小化最佳拟合动力学参数的不确定性。将反应动力学和反应热叠加在先进流动反应器中，可以实现500倍的放大倍数。图4：异戊二烯和马来酸酐的Diels - Alder反应2.3 离散变量优化与上面介绍的单流流动平台不同，液滴流动系统允许实验人员除了控制温度、反应时间和浓度等标准连续变量外，还可以操作催化剂或溶剂等离散变量，这极大地扩展了合成的设计空间。通过在孤立液滴的范围内进行反应，可以精确地控制试剂的组成，液滴内的循环模式产生混合和传热曲线，模拟微型间歇反应器。由于分散度低，这些系统不需要保持到稳定状态才能进行准确的测量，反应物质消耗的量几乎可以与在线样品本身的大小一样。在液滴离散变量优化的应用实例中，Kreutz等将全局优化算法纳入甲烷氧化高通量催化剂筛选中(图5)。在完成了48次流动实验后，通过颜色指示剂评估每个反应的适用性，并应用遗传算法确定要筛选的新一代催化剂，助催化剂和配体组合，经过八代试验，确定了最佳活性催化剂体系，并与文献报道的催化剂体系一致。将反馈应用于离散变量筛选可以节省大量的时间和成本，优化只需要在超过800万种可能的催化剂/助催化剂/配体组合中进行不到400次实验。
3.1 烷基化中的溶剂优化为了说明系统的通用性，作者以烷基化反应（图6）为例，选择优化10种有机溶剂离散变量和3个连续变量（包括高温）。
使用最优DoE（实验设计）方法，该算法将预期单取代产物收率的响应面预测作为温度、反应时间和亲电试剂浓度的函数，并逐步筛选候选溶剂，因为它们不太可能产生总体最优结果(图7a)。共进行67次实验，确定最佳溶剂为DMSO（二甲基亚砜）和最佳反应条件，以获得最高的单烷基化产物收率。然后采用基于梯度的拟牛顿搜索算法验证连续变量最优，收敛到62%的最优产量。在相同的条件下，HPLC得到61%的产率，分离后得到59%的产率。应用基于响应面的反馈策略在集中连续变量实验和巩固离散变量实验接近最终最优时取得了预期的效果（图7b），产生了快速收敛，并且应用最优DoE，在最佳反应条件下，不确定度相对较小。该算法认为溶剂如DMSO，DMF（N，N-二甲基甲酰胺），吡啶和乙腈最好在更温和的温度下进行，而溶剂如THF（四氢呋喃）、甲苯和1,2二氯乙烷在更高的温度和更长的反应时间下更有可能产生更好的预期产物(图7c)。从最终的优化结果中，作者观察到了极性非质子溶剂如DMSO、DMF和吡啶的优化偏好，并发现离散变量最优产率与溶剂氢键碱度密切相关。
图7：(a)经过n次实验，预测最大期望产品收率随溶剂的变化。(b)所作实验图。(c)模型预测的最佳温度和产率(蓝色，最佳温度70 - 90°c;黄色，最适温度90 ~ 110℃;红色，最佳温度≥110℃)。3.2 Suzuki - Miyaura交叉耦合中预催化剂的选择为了测试优化催化系统的适应性，作者以Suzuki−Miyaura（铃木-宫浦）交叉偶联反应（图8）为例。
研究了这四个案例，如图8所示，优化Suzuki−Miyaura反应的钯环配体预催化剂的选择和条件，为了减少催化剂负载，同时产生高收率，系统对与催化剂负载相关的产品TON（周转数）进行了优化，设定产量不低于总最大产量的90%。如图9a和b所示，在最佳条件下，对不同配体的偏好随偶联伙伴的变化而改变，正如预期的那样。同时进行离散变量和连续变量优化的独特之处在于，最佳催化剂负载、时间和温度也因化学性质的不同而不同。通过比较图9(c-d)中的案例II （P1-L5最优）和案例IV (P1-L1最优)，算法确定了在更高温度下表现良好的预催化系统，而在更温和的条件下，则不需要考虑这些系统。
在Suzuki−Miyaura反应机理的背景下，作者推断，当将底物从案例I的芳基溴转化为案例II、III的芳基氯时，预催化剂的变化意味着速率限制步骤的转变。图9b显示了使用P1-L4与氯底物时，最佳转化率显著下降，而本研究中其他预催化剂的最佳性能变化不大，如P1-L5。这表明双齿配体P1-L4在加速溴的转移速率方面的有效性与氯的缓慢氧化加成抵消了。相比之下，包含三烷基膦配体L5、L7和二烷基联芳基膦配体L1、L2和L3的预催化剂，由于其良好的电子供体性质，即使在氯底物存在的情况下，也能继续促进氧化加成。图9：(a)预催化剂选择频率。(b)最优预催化剂和TON。(c)案例II。(d)案例IV。(蓝色，最佳温度< 80℃；黄色，最佳温度80~100℃；红色，最佳温度≥100°C)。案例I和案例II的频哪醇酸酯基质向案例III和案例IV的硼酸转移同时会影响了二烷基联芳基膦配体预催化剂的优先性和反应时间为10分钟以下的反应。在这些情况下，作者将联芳基膦配体的优越性归因于更快的氧化加成和对L1Pd（Ar）Cl中间体的快速重金属化，从而使偶联过程胜过硼酸和产物的分解。对于案例IV，作者绘制了一个关于P1-L1的响应面图（图10）。从图中得知：当达到温度90℃，时间大于5分钟时的反应条件为最佳条件，并通过传统筛选得到验证。在80至100℃之间的温度下，预催化剂表现最好，如图9d所示。钯环三烷基膦催化剂在这些较温和的温度下活性较低，最适合在100°C以上，因此反应时间较短，产品降解对产率的损害较小。鉴于系统能够在没有先验信息的情况下区分催化剂，作者预计这种方法和化学信息学工具将最终成功实现对离散变量的共享属性的自动解释，在未来为更智能的筛选和机制开发提供指导。图10：案例IV的自动优化系统在最佳催化剂负载为1.0% P1-L1时生成的响应面
在很短的时间内，连续流反馈优化系统已经从一个新颖的想法发展到被化学领域所需要。随着综合技术的发展，科学家们正在寻求更智能的方法来解决更综合的问题，并寻求通过产生更快速的可扩展结果来节省时间的技术。本文提出的方法在这些方向上取得了长足的进步，同时允许用户采用“设置—撤回”的方法来进行反应表征。虽然已经克服了有机溶剂的混溶性和试剂的遗留问题，但仍需要将自动反馈技术扩展到多相反应系统、更动态的反应时间和更不稳定的进料溶液。更快的分析方法将实现更高的通量，并且通过实时反应建模和化学信息学以及机器学习算法来增强该技术。总的来说，自动反馈优化系统的前景是积极的，考虑到学术界和工业界对工具的需求，能够快速且准确地描述反应，使用最少的材料和时间。预计随着自动化反应表征系统的不断发展，它将为研究人员提供对反应机理更深入的了解，指导工艺优化和放大的策略，最终实现“加速反应开发”的愿景。