我院汪骋教授团队在机器学习揭示MOF催化C–H键选择性硼化关键因素方面取得重要进展，相关研究成果以“Machine Learning Reveals In-Cavity vs Surface Activity for Selective C–H Borylation by Metal-Organic Framework Catalysts”为题，在线发表于Angew. Chem. Int. Ed.（DOI: org/10.1002/anie.202505931）。
金属有机框架（MOFs）凭借其模块化结构，能够调控催化活性与选择性，是异相催化的理想平台。然而，MOF中催化反应究竟发生在孔隙内部，还是暴露的外表面？这一空间位点的区别对理解限域效应与微环境调控下的反应路径至关重要，却常被忽略。机器学习（ML）作为挖掘复杂催化行为背后机制的有力工具，已广泛应用于催化研究。然而，传统的MOF结构描述符在面对小型实验数据集时常面临过拟合与可解释性差的问题。
针对这一挑战，汪骋教授团队基于超47万个MOF结构，系统提取了45个具有明确化学意义的通用结构描述符，用以刻画MOF间的关键结构差异，对仅含20多个样本的小数据集进行分析，发现在Ni负载的MOF催化C–H键硼化的体系中，sp3 C–H键转化活性与MOF孔道结构高度相关，而sp2 C–H键转化活性与MOF孔道结构无关，说前者发生在MOF孔道内而后者在MOF表面发生。这一方法为揭示MOF催化中C–H键选择性硼化的决定因素提供了新视角，也为小数据条件下的可解释建模提供了解决思路。
该工作在汪骋教授和蒋一彬博士指导下完成，我院2021级博士生苏兆敏为文章的第一作者。该研究工作得到国家重点研发计划（2021YFA1502500）、国家自然科学基金（22125502、22461160282、22071207、22121001、92461305）、高校基本科研业务费（20720240151、20720220011）等项目的支持。
论文链接：https://onlinelibrary.wiley.com/doi/10.1002/anie.202505931
