I molekylernas värld är kiralitet en grundläggande egenskap som kan ha en djupgående inverkan på deras beteende. Kirala molekyler, som är spegelbilder av varandra men inte kan läggas på varandra, uppvisar unika egenskaper som kan påverka allt från deras biologiska aktivitet till deras interaktion med ljus. Som ett resultat är kiralitetsbestämning en viktig uppgift inom många områden, inklusive kemi, farmaci och materialvetenskap.
Kiralitetsbestämning har traditionellt förlitat sig på tekniker som optisk rotation, cirkulär dikroism och röntgenkristallografi. Dessa metoder kräver dock ofta specialiserad utrustning och expertis, vilket gör dem opraktiska för screening med hög genomströmning eller realtidsanalys.
Nu har forskare vid University of California, Berkeley utvecklat en ny algoritm som tar kiralitetsbestämning till nästa nivå. Algoritmen, som kallas ChiralNet, använder djupinlärning för att identifiera kirala molekyler med oöverträffad noggrannhet och effektivitet.
Forskargruppen tränade ChiralNet på en datauppsättning med över 100 000 kirala molekyler, inklusive både enantiomerer (spegelbilder) och diastereomerer (icke-spegelbildsstereoisomerer). Algoritmen kunde korrekt klassificera kiraliteten för över 99% av molekylerna i datamängden.
ChiralNet är inte bara korrekt, utan det är också extremt snabbt. Algoritmen kan klassificera kiraliteten hos en enskild molekyl på mindre än en sekund, vilket gör den lämplig för screeningapplikationer med hög genomströmning.
Dessutom kan ChiralNet användas med en mängd olika indata, inklusive molekylstrukturdata, vibrationsspektra och masspektra. Denna flexibilitet gör algoritmen allmänt användbar i olika områden och inställningar.
Utvecklingen av ChiralNet representerar ett stort genombrott i bestämning av kiralitet. Algoritmens noggrannhet, hastighet och mångsidighet gör den till ett kraftfullt verktyg för forskare och vetenskapsmän som arbetar inom en mängd olika områden.
Utöver dess potential för kiralitetsbestämning, anser forskargruppen att ChiralNet också kan användas för andra uppgifter relaterade till molekylär struktur och egenskapsförutsägelse. Denna spännande potential öppnar nya vägar för forskning och innovation inom området molekylär vetenskap.
