Forskare och ingenjörer är på jakt efter att utveckla elektroniska enheter som är kompatibla med våra kroppar:tänk på material som kan hjälpa till att koppla ihop nervceller igen efter hjärnskador, eller diagnostiska verktyg som lätt kan absorberas i kroppen.

En familj av självmonterande peptider, kallas π-konjugerade oligopeptider, har visat lovande för att bli grunden för nästa generation av dessa elektroniska, biokompatibla material. Men att identifiera rätt molekylära sekvenser för att skapa de optimala självmonterade nanostrukturerna skulle kräva att man testar tusentals möjligheter som var och en tar ungefär en månad att testa i labbet.

Assoc. Prof. Andrew Ferguson och hans medarbetare har påskyndat den processen genom att utveckla verktyg för maskininlärning som kan screena efter de bästa kandidaterna. Genom screening 8, 000 kandidater för självmonterade peptider, teamet kunde rangordna varje design. Det banar väg för experimentalister att testa de mest lovande kandidaterna.

Resultaten publicerades i Journal of Physical Chemistry B . Tidningen valdes också ut som ACS Editors' Choice, som erbjuder fri allmän tillgång till ny forskning av betydelse för det globala forskarsamhället, och att visas på tidskriftens omslag.

"Genom att förstå datavetenskap, materialvetenskap, och molekylär vetenskap, vi kunde hitta ett innovativt sätt att screena efter nya möjliga kandidater, "Förguson sa. "Det faktum att detta papper valdes som ett ACS Editors' Choice visar att det finns ett stort intresse för att koppla artificiell intelligens till domänvetenskap. Det är ett viktigt problem som är av stort intresse för den fysiska kemiska gemenskapen. "

Rankning av peptider för experimenter

För att hjälpa till att hitta de bästa kandidaterna, Ferguson och doktoranden Kirill Shmilovich screenade en familj av π-konjugerade oligopeptider med hjälp av maskininlärning och molekylär simulering. Setet innehöll 8, 000 potentiella peptider, om forskarna behöll samma kärna och bara ändrade de tre aminosyrorna på varje sida av molekylen. (Aminosyrorna på sidorna är symmetriska - om du byter en på ena sidan, det förändras på andra sidan, också.)

Att använda en form av maskininlärning som kallas aktiv inlärning eller Bayesiansk optimering för att styra molekylära simuleringar, de kunde konstruera tillförlitliga datadrivna modeller av hur sekvensen av peptiden påverkade dess egenskaper efter att ha övervägt endast 186 peptider.

Modellförutsägelserna kunde sedan extrapoleras på ett tillförlitligt sätt för att förutsäga egenskaperna hos resten av peptidfamiljen. Processen tog också bort mänsklig fördom från ekvationen, att låta artificiell intelligens hitta egenskaper hos peptiddesigner som forskare inte hade tänkt på tidigare, vilket faktiskt gjorde dem till bättre kandidater.

De rangordnade sedan varje peptid och lämnade över sina resultat till sina experimentella medarbetare, som sedan testar toppkandidaterna i labbet. Nästa, de hoppas kunna utöka sitt system till att även prova olika π-konjugerade kärnor, samtidigt som nya experimentella data matas tillbaka till loopen för att ytterligare stärka deras modeller.

De hoppas också kunna använda detta maskininlärningssystem för att designa proteiner, optimera självmonterande kolloider för att göra atomära kristaller, och till och med en dag införliva dessa verktyg i ett självkörande laboratorium, där artificiell intelligens skulle ta data, skapa förutsägelser, köra experiment, mata sedan tillbaka dessa data till modellen – allt utan mänsklig inblandning.

"Detta är en metod som kan vara användbar på många olika områden, Sa Ferguson.