利用原子级模拟 、机器学习（ML） 以及企业信息学，加速催化与反应性领域的研发
随着市场需求的变化，从消费包装品 到汽车制造等各行业的研发科学家在开发和优化新一代催化剂时都面临着类似的挑战。科学家们需要新型催化剂，以帮助降低能耗、消除不需要的副产物，并提高反应的选择性 和反应活性。
解决方案概述
我们需要新材料，而且需要尽快获得。幸运的是，科学进步的持续推进意味着我们能比过去更快地找到答案。计算机辅助分子设计凭借其生成海量模拟数据的能力，为可持续材料设计开辟了化学发现的新领域。它不仅带来了速度与精度的双重优势，还使研发科学家能够对庞大的分子空间进行筛选，从而仅针对最具潜力的化学方案进行实验验证。
Schrödinger该公司的材料科学平台利用基于物理理论 模拟 、机器学习（ML） 以及企业信息学的强大功能，通过提供以下服务，助力优化 以及有效且具有选择性的催化剂和反应体系的发现：
- 差异化模型构建器
- 交互式可视化与分析工具
- 高效密度泛函理论（DFT ）引擎
- 可定制的自动化反应工作流程
- 一款协作型企业平台解决方案
应用程序概述
催化剂
- 推进对催化机理的认识：通过模拟催化途径，从根本上理解赋予反应活性的作用力以及选择性
- 延长催化剂的使用寿命：预测催化剂及产物的稳定性和降解情况
- 设计和优化催化剂：利用已知的机理路径结合新型催化剂，自动对催化剂进行高通量筛选
- 充分利用固有的化学通用型工作流程：在均相和非均相筛选 工作流程中，加速并自动化任何反应机理
反应性系统
- 理解反应机理和反应途径：模拟反应热力学、动力学、反应速率及能垒
- 加快产品开发：利用包含各种有价值的底物和催化剂的库，自动预测反应的选择性 和活性
- 优化产品性质：利用相对反应路径能计算聚合物的塔基性
- 预测产物分布：自动定位过渡态
- 推动反应设计创新：研究空间位阻、电子效应及配体对反应活性的影响
团队协作与数字数据管理
- 促进团队协作：采用基于网络的企业信息学工具，实现实验模型和预测模型的无缝共享
- 通过优化决策来推动研究：快速部署自动化反应工作流和机器学习（ML） 模型，以实现大规模预测并辅助新型设计方法
- 优化项目管理：通过在集中式平台上收集、分析和验证新想法与数据，加快项目沟通和集体学习进程
产品
了解Schrödinger 的产品，助您在催化行业取得成功。
部分出版物
-
铁催化合成及端簇型1,3-连接的寡环丁烷的化学回收。
Chirik P. J. 等。《自然·化学》2021年，第13卷，第1期，第56-162页。
-
探索六价铬（Cr(VI)）催化次氯酸分解的机理。
Busch M 等。ChemCatChem 2022, e202101850。
-
具有单个钴活位点的聚合物水氧化催化剂介导的分子内羟基亲核攻击途径。
Sun L. 等。《自然·催化》2022年，第5卷，第414–429页。
-
由与双(2-巯基咪唑基)甲烷螯合的Hoveyda–Grubbs型配合物催化的烯烃复分解反应：一项基于DFT 的预测性研究。
Martínez J. P. 等，《物理化学杂志 A》2022 年，第 126 卷，第 5 期，第 720–732 页。
-
Mn(II)催化硼氢化反应中金属-配体协同作用的机理研究：半可离解的SNS配体使无金属氢化物的反应途径成为可能。
Baker R. T. 等。《ACS Catal.》2021, 11, 15, 9043–9051。
-
密度泛函理论计算中环氧树脂与胺反应活性的截断尺度与复合物形成。
Laurikainen P. V. 等。《ACS Omega》2021年，第6卷，第44期，第29424–29431页。
-
钯(II)介导的脱羰基氟烷基化：从有机金属化学基础研究到催化。
Sanford M. S. 等。《美国化学会志》2021年，第143卷，第44期，18617–18625页。
-
利用生物相容性催化剂甜菜碱实现的PET解聚与回收的一锅法化学生物工艺。
Kim K. H. 等。《ACS Catal.》2021, 11, 7, 3996–4008.
-
自动过渡态搜索及其在各类有机反应中的应用。
Friesner R. A. 等。《化学杂志》