Wetenschappers en ingenieurs zijn op zoek naar elektronische apparaten die compatibel zijn met ons lichaam:denk aan materialen die kunnen helpen neuronen weer aan elkaar te verbinden na hersenletsel, of diagnostische hulpmiddelen die gemakkelijk in het lichaam kunnen worden opgenomen.

Een familie van zelfassemblerende peptiden, -geconjugeerde oligopeptiden genoemd, veelbelovend is gebleken om de basis te worden van de volgende generatie van deze elektronische, biocompatibele materialen. Maar om de juiste moleculaire sequenties te identificeren om de optimale zelf-geassembleerde nanostructuren te creëren, zouden duizenden mogelijkheden moeten worden getest die elk ongeveer een maand in beslag nemen om in het laboratorium te testen.

Assoc. Prof. Andrew Ferguson en zijn medewerkers hebben dat proces versneld door machine learning-tools te ontwikkelen die op de beste kandidaten kunnen screenen. Door screening 8, 000 kandidaten van zelf-geassembleerde peptiden, het team was in staat om elk ontwerp te rangschikken. Dat maakt de weg vrij voor experimentatoren om de meest veelbelovende kandidaten te testen.

De resultaten zijn gepubliceerd in The Journal of Physical Chemistry B . Het papier werd ook geselecteerd als de ACS Editors' Choice, die gratis openbare toegang biedt tot nieuw onderzoek dat van belang is voor de wereldwijde wetenschappelijke gemeenschap, en om op de omslag van het tijdschrift te verschijnen.

"Door datawetenschap te begrijpen, materiaal kunde, en moleculaire wetenschap, we hebben een innovatieve manier gevonden om te screenen op nieuwe mogelijke kandidaten, Ferguson zei. "Het feit dat dit artikel is gekozen als ACS Editors' Choice toont aan dat er veel interesse is om kunstmatige intelligentie te koppelen aan domeinwetenschap. Het is een belangrijk probleem dat van groot belang is voor de fysisch-chemische gemeenschap."

Rangschikking van peptiden voor experimentatoren

Om de beste kandidaten te vinden, Ferguson en afgestudeerde student Kirill Shmilovich screenden een familie van π-geconjugeerde oligopeptiden met behulp van machine learning en moleculaire simulatie. De set omvatte 8, 000 potentiële peptiden, als onderzoekers dezelfde kern hielden en alleen de drie aminozuren aan elke kant van het molecuul veranderden. (De aminozuren aan de zijkanten zijn symmetrisch - als je er een aan één kant verandert, het verandert aan de andere kant, ook.)

Met behulp van een vorm van machine learning die bekend staat als actief leren of Bayesiaanse optimalisatie om moleculaire simulaties te begeleiden, ze waren in staat om betrouwbare gegevensgestuurde modellen te construeren van hoe de sequentie van het peptide de eigenschappen ervan beïnvloedde nadat ze slechts 186 peptiden hadden overwogen.

De modelvoorspellingen zouden dan betrouwbaar kunnen worden geëxtrapoleerd om de eigenschappen van de rest van de peptidefamilie te voorspellen. Het proces verwijderde ook menselijke vooroordelen uit de vergelijking, door kunstmatige intelligentie kenmerken van peptideontwerpen te laten vinden die onderzoekers nog niet eerder hadden overwogen, werden ze eigenlijk betere kandidaten.

Vervolgens rangschikten ze elk peptide en gaven hun resultaten door aan hun experimentele medewerkers, die vervolgens de topkandidaten in het lab test. Volgende, ze hopen hun systeem uit te breiden met het uitproberen van verschillende π-geconjugeerde kernen, terwijl ze nieuwe experimentele gegevens terug in de lus invoeren om hun modellen verder te versterken.

Ze hopen dit machine learning-systeem ook te gebruiken voor het ontwerpen van eiwitten, het optimaliseren van zelfassemblerende colloïden om atomaire kristallen te maken, en zelfs om deze tools ooit op te nemen in een zelfrijdend laboratorium, waar kunstmatige intelligentie gegevens zou verzamelen, voorspellingen maken, experimenten uitvoeren, voer die gegevens vervolgens terug naar het model - allemaal zonder menselijke tussenkomst.

"Dit is een methode die nuttig kan zijn in veel verschillende domeinen, ' zei Ferguson.