研究者们结合高通量实验（HTE）与机器学习（ML）技术，开发了一种新颖且直接的方法，通过铱催化，首次选择性交叉二聚两个亚砜叶立德。 广泛的范围、良好的产率、显着的 E/Z 选择性、优异的化学选择性和官能团兼容性、简便的操作和温和的条件使其成为制备酰胺、酮、酯和 N-杂环取代的不对称E-烯烃的有前景的方案。 酰胺-亚砜叶立德和铱催化剂都是生成活性卡宾中间体的重要组成部分。 Ir催化剂可以根据两种不同的亚砜叶立德内在反应性和电子效应的差异来“区分”它们，从而产生高选择性交叉偶联并形成高E选择性烯烃产物。 更重要的是，我们建立了一个基于机器学习的模型（XGB MAF），可以准确预测一系列不同的看不见的底物的反应产率，并成功地探索了反应空间（600个反应）。 因此，我们预计该 HTE和ML 工作流程将促进新型金属催化交叉偶联反应和磺基叶立德化学的开发和应用，这可能会引起学术界和药物化学研究人员的广泛兴趣。

                                                     图1        基于机器学习的预测模型的开发

                                                        图片来源：Angew. Chem., DOI: 10.1002/anie.202313638