Het dagelijkse leven zonder kunstmatige intelligentie is in de wereld van vandaag nauwelijks voorstelbaar. Talloze toepassingen op het gebied van autonoom rijden, vertalingen in vreemde talen of medische diagnostiek hebben hun weg gevonden naar ons leven. Bij chemisch onderzoek te, grote inspanningen worden geleverd om kunstmatige intelligentie (AI) toe te passen, ook wel machine learning genoemd, effectief. Deze technologieën zijn al gebruikt om de eigenschappen van individuele moleculen te voorspellen, waardoor het voor onderzoekers gemakkelijker wordt om de te produceren verbinding te selecteren.

Deze productie, bekend als synthese, brengt gewoonlijk aanzienlijke inspanning met zich mee, aangezien er veel mogelijke syntheseroutes zijn om een ​​doelmolecuul te produceren. Aangezien het succes van elke individuele reactie afhangt van talrijke parameters, het is niet altijd mogelijk, zelfs voor ervaren chemici, om te voorspellen of een reactie zal plaatsvinden - en nog minder hoe goed het zal werken. Om deze situatie te verhelpen, een team van scheikundigen en computerwetenschappers van de Universiteit van Münster (Duitsland) heeft de krachten gebundeld en een AI-tool ontwikkeld die nu in het tijdschrift is gepubliceerd Chemo .

Achtergrond en werkwijze:

"Een chemische reactie is een zeer complex systeem, " legt Frederik Sandfort uit, doctoraat student aan het Institute of Organic Chemistry en een van de hoofdauteurs van de publicatie. "In tegenstelling tot de voorspelling van eigenschappen van individuele verbindingen, een reactie is de interactie van vele moleculen en dus een multidimensionaal probleem, " voegt hij eraan toe. Bovendien, er zijn geen duidelijk gedefinieerde "spelregels" die, zoals in het geval van moderne schaakcomputers, de ontwikkeling van AI-modellen vereenvoudigen. Om deze reden, eerdere benaderingen voor het nauwkeurig voorspellen van reactieresultaten zoals opbrengsten of producten zijn meestal gebaseerd op een eerder verkregen begrip van moleculaire eigenschappen. “Het ontwikkelen van dergelijke modellen vraagt ​​veel inspanning. de meeste van hen zijn zeer gespecialiseerd en kunnen niet worden overgedragen naar andere problemen, ’, vult Frederik Sandfort aan.

De focus van het gepresenteerde werk lag daarom op een algemene toepasbaarheid van het programma, zodat andere chemici het gemakkelijk voor hun eigen werk kunnen gebruiken. Om dit te garanderen, het model is direct gebaseerd op moleculaire structuren. "Elke organische verbinding kan worden weergegeven als een grafiek, in principe als beeld, " legt Marius Kühnemund uit, een andere auteur, uit de informatica. "Op zulke grafieken eenvoudige structurele vragen - vergelijkbaar met de kwestie van kleuren of vormen in een foto - kunnen worden gemaakt om de zogenaamde chemische omgeving zo nauwkeurig mogelijk vast te leggen."

De combinatie van veel van dergelijke opeenvolgende zoekopdrachten resulteert in een zogenaamde moleculaire vingerafdruk. Deze eenvoudige nummerreeksen worden al lang in de chemo-informatica gebruikt om structurele overeenkomsten te vinden en zijn zeer geschikt voor computerondersteunde toepassingen. In hun aanpak de auteurs gebruiken een groot aantal van dergelijke vingerafdrukken om de chemische structuur van elk molecuul zo nauwkeurig mogelijk weer te geven. "Op deze manier, we hebben een robuust systeem kunnen ontwikkelen dat kan worden gebruikt om totaal verschillende reactieresultaten te voorspellen, " voegt Marius Kühnemund toe, "Hetzelfde model kan worden gebruikt om zowel opbrengsten als stereoselectiviteiten te voorspellen, wat uniek is."

De auteurs hebben aangetoond dat hun programma gemakkelijk kan worden toegepast en nauwkeurige voorspellingen mogelijk maakt, vooral in combinatie met moderne robotica, door een dataset te gebruiken die oorspronkelijk niet voor machine learning is gemaakt. "Deze dataset bevat alleen relatieve verkopen van de uitgangsmaterialen en geen exacte opbrengsten, Frederik Sandfort legt uit. "Voor exacte opbrengsten, kalibraties moeten worden gemaakt. Echter, vanwege de grote inspanning die ermee gemoeid is, dit wordt zelden gedaan in de werkelijkheid."

Het team zal hun programma in de toekomst verder ontwikkelen en uitrusten met nieuwe functies. Prof. Frank Glorius is ervan overtuigd:"Als het gaat om het evalueren van grote hoeveelheden complexe gegevens, computers zijn fundamenteel superieur aan ons. Echter, ons doel is niet om synthetische chemici te vervangen door machines, maar om ze zo effectief mogelijk te ondersteunen. Modellen op basis van kunstmatige intelligentie kunnen de manier waarop we chemische syntheses benaderen aanzienlijk veranderen. Maar we staan ​​nog aan het begin."