• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • AI lär sig kemins språk för att förutsäga hur man gör mediciner

    Kredit:Денис Марчук från Pixabay

    Forskare har designat en maskininlärningsalgoritm som förutsäger resultatet av kemiska reaktioner med mycket högre noggrannhet än utbildade kemister och föreslår sätt att göra komplexa molekyler, undanröja ett betydande hinder för upptäckt av läkemedel.

    Forskare från University of Cambridge har visat att en algoritm kan förutsäga resultatet av komplexa kemiska reaktioner med över 90 % noggrannhet, bättre än utbildade kemister. Algoritmen visar också kemister hur man gör målföreningar, tillhandahålla den kemiska "kartan" till den önskade destinationen. Resultaten rapporteras i två studier i tidskrifterna ACS Central Science och Kemisk kommunikation .

    En central utmaning inom läkemedelsupptäckt och materialvetenskap är att hitta sätt att göra komplicerade organiska molekyler genom att kemiskt förena enklare byggstenar. Problemet är att dessa byggstenar ofta reagerar på oväntade sätt.

    "Att göra molekyler beskrivs ofta som en konst som realiseras med försök och misstag eftersom vår förståelse av kemisk reaktivitet är långt ifrån komplett, " sa Dr Alpha Lee från Cambridges Cavendish Laboratory, som ledde studierna. "Maskininlärningsalgoritmer kan ha en bättre förståelse av kemi eftersom de destillerar reaktivitetsmönster från miljontals publicerade kemiska reaktioner, något som en kemist inte kan göra."

    Algoritmen utvecklad av Lee och hans grupp använder verktyg för mönsterigenkänning för att känna igen hur kemiska grupper i molekyler reagerar, genom att träna modellen på miljontals reaktioner publicerade i patent.

    Forskarna såg på förutsägelser av kemisk reaktion som ett maskinöversättningsproblem. De reagerande molekylerna betraktas som ett språk, medan produkten betraktas som ett annat språk. Modellen använder sedan mönstren i texten för att lära sig hur man översätter mellan de två språken.

    Genom att använda detta tillvägagångssätt, modellen uppnår 90 % noggrannhet i att förutsäga den korrekta produkten av osynliga kemiska reaktioner, medan noggrannheten hos utbildade mänskliga kemister är cirka 80 %. Forskarna säger att modellen är tillräckligt exakt för att upptäcka fel i data och korrekt förutsäga en uppsjö av svåra reaktioner.

    Modellen vet också vad den inte vet. Det ger ett osäkerhetspoäng, vilket eliminerar felaktiga förutsägelser med 89 % noggrannhet. Eftersom experiment är tidskrävande, exakt förutsägelse är avgörande för att undvika att följa dyra experimentella vägar som så småningom slutar i misslyckande.

    I den andra studien, Lee och hans grupp, samarbetar med bioläkemedelsföretaget Pfizer, demonstrerade metodens praktiska potential vid upptäckt av läkemedel.

    Forskarna visade att när de utbildades i publicerad kemiforskning, modellen kan göra exakta förutsägelser av reaktioner baserat på labb-anteckningsböcker, visar att modellen har lärt sig kemins regler och kan tillämpa den på läkemedelsupptäcktsmiljöer.

    Teamet visade också att modellen kan förutsäga sekvenser av reaktioner som skulle leda till en önskad produkt. De tillämpade denna metod på olika läkemedelsliknande molekyler, visar att de steg som den förutsäger är kemiskt rimliga. Denna teknik kan avsevärt minska tiden för preklinisk läkemedelsupptäckt eftersom den ger läkemedelskemister en plan för var de ska börja.

    "Vår plattform är som en GPS för kemi, sa Lee, som också är forskare vid St Catharine's College. "Det informerar kemister om en reaktion är en go eller en no-go, och hur man navigerar reaktionsvägar för att göra en ny molekyl."

    Cambridge-forskarna använder för närvarande denna teknik för att förutsäga reaktioner för att utveckla en komplett plattform som överbryggar design-tillverkningstestcykeln i läkemedelsupptäckt och materialupptäckt:att förutsäga lovande bioaktiva molekyler, sätt att göra dessa komplexa organiska molekyler, och välja de experiment som är mest informativa. Forskarna arbetar nu med att utvinna kemiska insikter från modellen, försöker förstå vad det har lärt sig att människor inte har.

    "Vi kan potentiellt göra stora framsteg inom kemi om vi lär oss vilken typ av mönster modellen tittar på för att göra en förutsägelse, "sa Peter Bolgar, en doktorsexamen student i syntetisk organisk kemi involverad i båda studierna. "Modellen och mänskliga kemister tillsammans skulle bli extremt kraftfulla i att designa experiment, mer än var och en skulle vara utan den andra."


    © Vetenskap https://sv.scienceaq.com