Machine learning wordt veel gebruikt in de chemische wetenschappen voor het ontwerpen van geneesmiddelen en andere processen.

De modellen die prospectief worden getest op nieuwe reactieresultaten en worden gebruikt om het menselijk begrip te verbeteren om beslissingen over chemische reactiviteit die door dergelijke modellen worden genomen, te interpreteren, zijn uiterst beperkt.

Innovators van Purdue University hebben stroomdiagrammen voor chemische reactiviteit geïntroduceerd om scheikundigen te helpen bij het interpreteren van reactie-uitkomsten met behulp van statistisch robuuste modellen voor machinaal leren die zijn getraind op een klein aantal reacties. Het werk is gepubliceerd in Organische brieven .

"Het ontwikkelen van nieuwe en snelle reacties is essentieel voor het ontwerp van chemische bibliotheken bij het ontdekken van geneesmiddelen, " zei Gaurav Chopra, een assistent-professor analytische en fysische chemie in Purdue's College of Science. “We hebben een nieuwe, snelle en éénpots-multicomponentreactie (MCR) van N-sulfonyliminen die werd gebruikt als een representatief geval voor het genereren van trainingsgegevens voor machine learning-modellen, het voorspellen van reactie-uitkomsten en het testen van nieuwe reacties op een blinde prospectieve manier.

"We verwachten dat dit werk de weg vrijmaakt voor het veranderen van het huidige paradigma door nauwkeurige, menselijke begrijpelijke machine learning-modellen om reactieresultaten te interpreteren die de creativiteit en efficiëntie van menselijke chemici zullen vergroten om nieuwe chemische reacties te ontdekken en de pijpleidingen voor organische en proceschemie te verbeteren."

Chopra zei dat de door mensen te interpreteren machine learning-aanpak van het Purdue-team, geïntroduceerd als stroomdiagrammen voor chemische reactiviteit, kan worden uitgebreid om de reactiviteit van een MCR of een chemische reactie te onderzoeken. Het heeft geen grootschalige robotica nodig, omdat deze methoden door de chemici kunnen worden gebruikt tijdens het screenen van reacties in hun laboratoria.

"We bieden het eerste rapport van een raamwerk om snelle synthetische chemie-experimenten en kwantumchemische berekeningen te combineren voor het begrijpen van reactiemechanisme en door mensen te interpreteren statistisch robuuste machine learning-modellen om chemische patronen te identificeren voor het voorspellen en experimenteel testen van heterogene reactiviteit van N-sulfonyliminen, ' zei Chopra.

"Het ongekende gebruik van een machine learning-model bij het genereren van stroomdiagrammen voor chemische reactiviteit heeft ons geholpen de reactiviteit van traditioneel gebruikte verschillende N-sulfonyliminen in MCR's te begrijpen, " zei Krupal Jethava, een postdoctoraal onderzoeker in het laboratorium van Chopra, die co-auteur was van het werk. "Wij geloven dat het samenwerken met organische en computationele chemici een nieuwe weg zal openen voor het oplossen van complexe chemische reactiviteitsproblemen voor andere reacties in de toekomst."

Chopra zei dat de Purdue-onderzoekers hopen dat hun werk de weg zal banen om een ​​van de vele voorbeelden te worden die de kracht van machine learning voor de ontwikkeling van nieuwe synthetische methodologieën voor het ontwerpen van geneesmiddelen en daarbuiten in de toekomst zullen laten zien.

"In dit werk, we hebben ernaar gestreefd ervoor te zorgen dat ons machine learning-model gemakkelijk kan worden begrepen door scheikundigen die niet goed thuis zijn op dit gebied, " zei Jonathan Fijn, een voormalige Purdu-afgestudeerde student, die co-auteur was van het werk. "Wij geloven dat deze modellen niet alleen kunnen worden gebruikt om reacties te voorspellen, maar ook om beter te begrijpen wanneer een bepaalde reactie zal optreden. Om dit aan te tonen, we hebben ons model gebruikt om extra substraten te begeleiden om te testen of er een reactie zal optreden."