Машинное обучение и искусственный интеллект помогают прогнозировать молекулярную селективность химических реакций

Прочитано: 187 раз(а)


Сейчас осталось мало проблем, которые ИИ и машинное обучение не могут помочь решить. Исследователи из Национального университета Иокогамы используют это современное преимущество, чтобы решить то, что традиционные методы не могут решить.

Когда дело доходит до взаимодействия углеродсодержащих (или органических) молекул, следует помнить множество правил: расположение групп на молекуле, которые взаимодействуют с ее окружением, размер, форма и положение молекулы, а также молекула, с которой это взаимодействие. Результат конкретной реакции может сильно различаться в зависимости от этих и многих других факторов, и предсказание этих результатов оказалось довольно сложной задачей в области химии. Контроль результата — очень необходимый компонент химического синтеза, но прогнозов не всегда достаточно.

К счастью, машинное обучение и искусственный интеллект (ИИ) снова могут помочь продвинуть прогресс, предсказывая скорость или избирательность данной реакции. Следовательно, эта технология может быть полезна для прогнозирования того, какой продукт можно ожидать.

Исследователи опубликовали свои выводы в Журнале химической информации и моделирования.

В органической химии важна каждая деталь. Двумя общими областями, которые могут влиять на то, как молекула взаимодействует с другими молекулами, являются стерики и орбитали. Стерические свойства относятся к расположению молекул, а стерические эффекты могут определять форму и реакционную способность молекулы. Это может быть связано с размером или зарядом молекулы или отдельного атома. Орбитали — это способ объяснить наиболее вероятное расположение электронов, которые, в свою очередь, могут взаимодействовать с другими молекулами или атомами, вызывая реакции.

Эти факторы могут радикально изменить то, где нуклеофил или электронодонорный реагент может прикрепиться к молекуле-реципиенту. Это известно как «селективность», и в зависимости от того, где присоединяется молекула, в результате могут образовываться разные продукты или выходы желаемого продукта. Исследователи используют искусственный интеллект и машинное обучение, а также современные знания о химических реакциях, чтобы лучше объяснить эти аспекты молекулярной селективности.

«Чтобы определить, какая информация может быть использована в качестве важной химической информации для ИИ, необходимо объединить химические знания со знаниями ИИ и машинного обучения», — сказал автор-корреспондент Хироаки Гото, доцент инженерного факультета Иокогамы. Национальный университет.

Во-первых, компьютеру нужно было передать некоторую информацию, на которой он мог бы учиться. Информация из литературы по вычислительной химии и информация предыдущих исследований была использована для начала процесса обучения ИИ. После ручного ввода данных для конкретных используемых молекул и установки оптимальных параметров был проведен анализ данных на основе прогнозируемых результатов набора тестовых данных. Этот анализ позволяет ИИ учиться и прогнозировать будущую избирательность на основе уже известной информации.

«Этот метод позволяет более комплексно анализировать и интерпретировать механизмы реакций посредством расчета параметров сферических пространств, которые имитируют приближающиеся нуклеофилы», — сказал Даймон Сакагути, первый автор исследования на факультете химии и наук о жизни Иокогамского национального университета.

Исследование успешно объяснило 323 селективность реакции восьми нуклеофилов, исходя из того, какая «лицо» молекулы даст наиболее желательное количество продукта. Селективность меняется в зависимости от стерики молекулы, а также от ее орбитальных факторов. Исследователи обнаружили, что для некоторых молекул орбитальный фактор более важен в определении лицевой селективности, а другие больше зависят от стерики молекулы, когда она взаимодействует со своим нуклеофилом.

Сочетание прогностических технологий и машинного обучения с устоявшимися знаниями в области химии может дать лучшие результаты химических реакций и помочь химикам синтезировать натуральные продукты и фармацевтические химикаты более рациональным способом.

Оптимизируя этот процесс с помощью машинного обучения и искусственного интеллекта, можно проводить больше экспериментов. В идеале исследователи надеются сотрудничать с химиками-экспериментаторами для разработки реакций, которые будут продолжены с развитием более прогнозирующей технологии химических реакций.

Машинное обучение и искусственный интеллект помогают прогнозировать молекулярную селективность химических реакций



Новости партнеров