Maskininlärning har använts flitigt inom de kemiska vetenskaperna för läkemedelsdesign och andra processer.

De modeller som prospektivt testas för nya reaktionsresultat och används för att öka mänsklig förståelse för att tolka beslut om kemisk reaktivitet som tas av sådana modeller är extremt begränsade.

Purdue Universitys innovatörer har introducerat flödesscheman för kemiska reaktivitet för att hjälpa kemister att tolka reaktionsresultat med hjälp av statistiskt robusta maskininlärningsmodeller som tränats på ett litet antal reaktioner. Verket publiceras i Organiska bokstäver .

"Att utveckla nya och snabba reaktioner är avgörande för kemisk biblioteksdesign vid läkemedelsupptäckt, " sa Gaurav Chopra, en biträdande professor i analytisk och fysikalisk kemi vid Purdue's College of Science. "Vi har utvecklat en ny, snabb och enkärls multikomponentreaktion (MCR) av N-sulfonyliminer som användes som ett representativt fall för att generera träningsdata för maskininlärningsmodeller, förutsäga reaktionsresultat och testa nya reaktioner på ett blindt prospektivt sätt.

"Vi förväntar oss att detta arbete ska bana väg för att förändra det nuvarande paradigmet genom att utveckla exakta, mänskliga förståeliga maskininlärningsmodeller för att tolka reaktionsresultat som kommer att öka kreativiteten och effektiviteten hos mänskliga kemister för att upptäcka nya kemiska reaktioner och förbättra pipelines för organisk kemi och processkemi."

Chopra sa att Purdue-teamets metod för maskininlärning som kan tolkas av människor, introduceras som flödesscheman för kemisk reaktivitet, kan utökas för att utforska reaktiviteten hos vilken MCR som helst eller vilken kemisk reaktion som helst. Det behövs ingen storskalig robotteknik eftersom dessa metoder kan användas av kemister när de gör reaktionsscreening i deras laboratorier.

"Vi tillhandahåller den första rapporten av ett ramverk för att kombinera snabba syntetiska kemiexperiment och kvantkemiska beräkningar för att förstå reaktionsmekanismer och mänskligt tolkbara statistiskt robusta maskininlärningsmodeller för att identifiera kemiska mönster för att förutsäga och experimentellt testa heterogen reaktivitet av N-sulfonyliminer, " sa Chopra.

"Den aldrig tidigare skådade användningen av en maskininlärningsmodell för att generera flödesscheman för kemiska reaktivitet hjälpte oss att förstå reaktiviteten hos traditionellt använda olika N-sulfonyliminer i MCR, " sa Krupal Jethava, en postdoktor vid Chopras laboratorium, som var medförfattare till verket. "Vi tror att att arbeta hand-to-hand med organiska och beräkningskemister kommer att öppna upp en ny väg för att lösa komplexa kemiska reaktivitetsproblem för andra reaktioner i framtiden."

Chopra sa att Purdue-forskarna hoppas att deras arbete kommer att bana väg för att bli ett av många exempel som kommer att visa upp kraften i maskininlärning för ny syntetisk metodutveckling för läkemedelsdesign och vidare i framtiden.

"I det här arbetet, vi strävade efter att säkerställa att vår maskininlärningsmodell lätt kan förstås av kemister som inte är väl bevandrade inom detta område, sa Jonathan Fine, en före detta Purdue doktorand, som var medförfattare till verket. "Vi tror att dessa modeller har förmågan att inte bara användas för att förutsäga reaktioner utan också användas för att bättre förstå när en given reaktion kommer att inträffa. För att visa detta, vi använde vår modell för att vägleda ytterligare substrat för att testa om en reaktion kommer att inträffa."