Chemie is meer dan alleen het mengen van verbinding A met verbinding B om verbinding C te maken. Er zijn katalysatoren die de reactiesnelheid beïnvloeden, evenals de fysieke omstandigheden van de reactie en eventuele tussenstappen die leiden tot het eindproduct. Als je een nieuw chemisch proces probeert te maken voor, zeggen, farmaceutisch of materiaalonderzoek, je moet het beste van elk van deze variabelen vinden. Het is een tijdrovend proces van vallen en opstaan.

Of, minstens, het was.

In een nieuwe publicatie in Natuur , De chemici van de Universiteit van Utah, Jolene Reid en Matthew Sigman, laten zien hoe het analyseren van eerder gepubliceerde chemische reactiegegevens kan voorspellen hoe hypothetische reacties kunnen verlopen, beperking van het scala van omstandigheden die chemici moeten onderzoeken. Hun algoritmische voorspellingsproces, die aspecten van machine learning omvat, kan kostbare tijd en middelen besparen bij chemisch onderzoek.

"We proberen de beste combinatie van parameters te vinden, " Zegt Reid. "Als we dat eenmaal hebben, kunnen we de kenmerken van elke reactie aanpassen en voorspellen hoe die aanpassing het zal beïnvloeden."

Vallen en opstaan

Eerder, scheikundigen die een reactie wilden uitvoeren die nog niet eerder was geprobeerd, zoals een reactie om een ​​bepaald klein molecuul aan een bepaalde plek op een groter molecuul te hechten, benaderde het probleem door een vergelijkbare reactie op te zoeken en dezelfde omstandigheden na te bootsen.

"Bijna elke keer althans in mijn ervaring, het werkt niet goed, "zegt Sigman. "Dus dan verander je systematisch de voorwaarden."

Maar met verschillende variabelen in elke reactie - Sigma schat ongeveer zeven tot tien in een typische farmaceutische reactie - wordt het aantal mogelijke combinaties van aandoeningen overweldigend. "Je kunt niet al deze variabele ruimte afdekken met elk type bewerking met hoge doorvoer, " zegt Sigman. "We hebben het over miljarden mogelijkheden."

Het veld verkleinen

Dus, Sigman en Reid zochten naar een manier om de focus te beperken tot een beter beheersbaar aantal omstandigheden. Voor hun testreactie, ze keken naar reacties waarbij moleculen betrokken zijn met tegengestelde spiegelbeelden van elkaar (op dezelfde manier als je rechter- en linkerhand spiegelbeelden van elkaar zijn) en die meer selecteren voor de ene configuratie dan voor de andere. Zo'n reactie wordt "enantioselectieve, " en het laboratorium van Sigman bestudeert de soorten katalysatoren die betrokken zijn bij enantioselectieve reacties.

Reid verzamelde gepubliceerde wetenschappelijke rapporten van 367 vormen van reacties waarbij imines betrokken waren, die een stikstofbase hebben, en gebruikte machine learning-algoritmen om kenmerken van de reacties te correleren met hoe selectief ze waren voor de twee verschillende vormen van imines. De algoritmen keken naar de katalysatoren van de reacties, oplosmiddelen en reactanten, en construeerde wiskundige relaties tussen die eigenschappen en de uiteindelijke selectief van de reactie.

"Er is een patroon verborgen onder de oppervlakte van waarom het werkt en niet werkt met deze aandoening, deze katalysator, dit substraat, enzovoort, ' zegt Sigman.

"De sleutel tot ons succes is dat we informatie uit veel reacties gebruiken, ’ voegt Reid toe.

De pijn verlichten

Hoe goed werkt hun voorspellend model? Het voorspelde met succes de uitkomsten van 15 reacties waarbij één reactant betrokken was die niet in de originele set zat, en de uitkomsten van 13 reacties waarbij zowel een reactant als een katalysatortype niet in de originele set zaten. Eindelijk, Reid en Sigman keken naar een recent onderzoek dat 2, 150 experimenten om de optimale omstandigheden van 34 reacties te vinden. Zonder ook maar één beker te vervuilen, Het model van Reid en Sigman kwam tot dezelfde resultaten en dezelfde optimale katalysator.

Reid kijkt ernaar uit om het model toe te passen op het voorspellen van reacties waarbij grote, complexe moleculen. "Vaak merk je dat nieuwe methodieken niet zijn afgestemd op complexe systemen, "Zegt ze. "Misschien zouden we dat nu kunnen doen door vooraf te voorspellen wat de beste soort katalysator is."

Sigman voegt eraan toe dat voorspellende modellen de barrières voor de ontwikkeling van nieuwe geneesmiddelen kunnen verlagen.

"De farmaceutische industrie wil geen geld investeren in iets waarvan ze niet weten of het gaat werken. "zegt hij. "Dus, als je een algoritme hebt dat suggereert dat dit een grote kans heeft om te werken, je verzacht de pijn."

Na publicatie, vind de volledige studie hier.