Het transformeren van een nieuw medicijn van een set vloeibare ingrediënten in een laboratorium naar een pil in een doos kan een oefening in complexe chemie zijn. Om beter te begrijpen hoe medicijningrediënten kristalliseren, UConn-onderzoekers hebben een enorme verzameling experimentele gegevens van Pfizer gedolven. Ze rapporteerden hun bevindingen in het omslagverhaal van 28 februari van het tijdschrift CrystEngComm .

Veel medicijnen worden in vaste kristalvorm als pillen ingenomen. Maar het is een lastig probleem om de beste manier te vinden om een ​​medicijn in vaste vorm te krijgen. Er zijn veel verschillende oplosmiddelen waarin medicijningrediënten kunnen worden opgelost, en veel verschillende procedures waardoor het medicijn kan kristalliseren. Verwerkingsvoorwaarden, zoals temperatuur en druk, kan ook een diepgaand effect hebben. Er zijn zoveel verschillende variabelen - dingen die de uitkomst kunnen veranderen - dat machine learning misschien wel de beste manier is om zo'n gecompliceerd probleem aan te pakken.

Pfizer ging een samenwerking aan met UConn-materiaalwetenschapper Serge Nakhmanson en zijn collega's van de afdeling Materials Science and Engineering om machine learning-benaderingen op hun bruikbaarheid te evalueren. datamining, ze hoopten, zou kunnen helpen bij het vinden van de beste manier om een ​​farmaceutische verbinding te laten kristalliseren. Met behulp van de gegevens en relevante expertise van Pfizer, het materiaalteam van UConn heeft drie verschillende computeralgoritmen getest. De algoritmen worden machine learning genoemd omdat de computer ze gebruikt om wiskundige modellen van de gegevens te bouwen, patronen vinden, en vervolgens 'leren' van die patronen om nauwkeurige voorspellingen te doen.

Nakhmansons afgestudeerde student, Ayana Ghosh, ontdekte dat het Random Forest Regression (RFR) -algoritme de meest nauwkeurige kristallisatievoorspellingen opleverde. In aanvulling, RFR was de enige die eigenschappen kon identificeren die het gemakkelijker zouden maken om farmaceutische moleculen te kristalliseren; bijvoorbeeld, als een molecuul minder dan X weegt en een bepaald aantal waterstofbruggen heeft, de kans dat het met succes kan worden gekristalliseerd, wordt vergroot.

"Dit is precies het soort informatie dat een synthetisch chemicus nodig heeft om te beslissen hoe een nieuw medicijn in de vorm van een pil moet worden gemaakt, "zegt Nakhmanson. "De RFR machine learning-techniek is echt nuttig om te bepalen welke parameters belangrijk zijn voor kristallisatie en welke niet."