浙江大学，Nature Synthesis！

本文介绍了一种多任务图神经网络（MT-GNN）用于预测钌催化C-H键活化反应的位点选择性。该模型通过嵌入机理信息（如Fukui指数、原子电荷）的反应图表示，结合多任务学习策略，显著提升了预测精度（平均准确率0.934）。MT-GNN在256个反应数据集上表现出卓越的插值和外推能力，特别是在未见的稠环芳烃测试中准确率达100%。此外，模型的可解释性分析揭示了新的对位选择性四元钌环机制，并经DFT计算验证。该研究为复杂反应体系的预测提供了高效工具，推动了有机合成向数据驱动与机理指导并重的范式转变。