Under de senaste åren, forskare har vänt sig alltmer till datavetenskapliga tekniker för att hjälpa problemlösning i organisk syntes.

Forskare i Abigail Doyles labb, Princetons A. Barton Hepburn professor i kemi, samarbetade med professor i datavetenskap Ryan Adams för att utveckla programvara med öppen källkod som förser dem med en toppmodern optimeringsalgoritm att använda i det dagliga arbetet, att vika det som har lärts inom maskininlärningsområdet till syntetisk kemi.

Mjukvaran anpassar nyckelprinciperna för Bayesiansk optimering för att möjliggöra snabbare och mer effektiv syntes av kemikalier.

Baserat på Bayes sats, en matematisk formel för att bestämma villkorlig sannolikhet, Bayesiansk optimering är en mycket använd strategi inom vetenskapen. Allmänt definierad, det låter människor och datorer använda förkunskaper för att informera och optimera framtida beslut.

Kemisterna i Doyles labb, i samarbete med Adams, professor i datavetenskap, och kollegor på Bristol-Myers Squibb, jämförde mänskliga beslutsförmåga med mjukvarupaketet. De fann att optimeringsverktyget ger både större effektivitet jämfört med mänskliga deltagare och mindre partiskhet på en testreaktion. Deras arbete visas i det aktuella numret av tidskriften Natur .

"Reaktionsoptimering är allestädes närvarande i kemisk syntes, både inom den akademiska världen och inom den kemiska industrin, " sa Doyle. "Eftersom det kemiska utrymmet är så stort, det är omöjligt för kemister att utvärdera helheten av ett reaktionsutrymme experimentellt. Vi ville utveckla och utvärdera Bayesiansk optimering som ett verktyg för syntetisk kemi med tanke på dess framgång för relaterade optimeringsproblem inom vetenskapen."

Benjamin Shields, en före detta postdoktor i Doyle-labbet och tidningens huvudförfattare, skapade Python-paketet.

"Jag kommer från en syntetisk kemibakgrund, så jag uppskattar definitivt att syntetiska kemister är ganska bra på att ta itu med dessa problem på egen hand, " sa Shields. "Där jag tror att den verkliga styrkan med Bayesian Optimization kommer in är att den tillåter oss att modellera dessa högdimensionella problem och fånga trender som vi kanske inte ser i data själva, så det kan behandla data mycket bättre.

"Och två, inom ett utrymme, det kommer inte att hållas tillbaka av en mänsklig kemists fördomar, " han lade till.

Hur det fungerar

Mjukvaran började som ett projekt utanför fältet för att uppfylla Shields doktorandkrav. Doyle och Shield bildade sedan ett team under Center for Computer Assisted Synthesis (C-CAS), ett National Science Foundation-initiativ som lanserades vid fem universitet för att förändra hur syntesen av komplexa organiska molekyler planeras och genomförs. Doyle har varit huvudutredare med C-CAS sedan 2019.

"Reaktionsoptimering kan vara en dyr och tidskrävande process, sa Adams, som också är chef för programmet i statistik och maskininlärning. "Det här tillvägagångssättet accelererar inte bara det med hjälp av toppmoderna tekniker, men hittar också bättre lösningar än vad människor vanligtvis skulle identifiera. Jag tror att detta bara är början på vad som är möjligt med Bayesiansk optimering i det här utrymmet."

Användare börjar med att definiera ett sökutrymme – rimliga experiment att överväga – som en lista över katalysatorer, reagenser, ligander, lösningsmedel, temperaturer, och koncentrationer. När det utrymmet är förberett och användaren definierar hur många experiment som ska köras, programvaran väljer initiala experimentella förhållanden som ska utvärderas. Sedan föreslår den nya experiment att köra, itererande genom ett mindre och mindre antal val tills reaktionen är optimerad.

"Vid design av programvaran, Jag försökte inkludera sätt för människor att typ injicera vad de vet om en reaktion, " sa Shields. "Oavsett hur du använder detta eller maskininlärning i allmänhet, det kommer alltid att finnas ett fall där mänsklig expertis är värdefull."

Programvaran och exempel för dess användning kan nås på detta arkiv. GitHub-länkar är tillgängliga för följande:programvara som representerar kemikalierna under utvärdering i ett maskinläsbart format via densitetsfunktionella teorin; programvara för reaktionsoptimering; och spelet som samlar kemisters beslutsfattande om optimering av testreaktionen.

"Bayesiansk reaktionsoptimering som ett verktyg för kemisk syntes, " av Benjamin J. Shields, Jason Stevens, juni Li, Marvin Parasram, Farhan Damani, Jesus I. Martinez Alvarado, Jacob M. Janey, Ryan P. Adams och Abigail G. Doyle, visas i numret 3 februari av tidskriften Natur .