In de wereld van moleculen is chiraliteit een fundamentele eigenschap die een diepgaande invloed kan hebben op hun gedrag. Chirale moleculen, die spiegelbeelden van elkaar zijn maar niet over elkaar heen kunnen worden geplaatst, vertonen unieke eigenschappen die alles kunnen beïnvloeden, van hun biologische activiteit tot hun interacties met licht. Als gevolg hiervan is het bepalen van de chiraliteit een essentiële taak op veel gebieden, waaronder de chemie, de farmacie en de materiaalkunde.

De bepaling van de chiraliteit is traditioneel gebaseerd op technieken zoals optische rotatie, circulair dichroïsme en röntgenkristallografie. Deze methoden vereisen echter vaak gespecialiseerde apparatuur en expertise, waardoor ze onpraktisch zijn voor screening met hoge doorvoer of realtime analyse.

Nu hebben onderzoekers van de University of California, Berkeley een nieuw algoritme ontwikkeld dat de chiraliteitsbepaling naar een hoger niveau tilt. Het algoritme, genaamd ChiralNet, maakt gebruik van deep learning om chirale moleculen met ongekende nauwkeurigheid en efficiëntie te identificeren.

Het onderzoeksteam trainde ChiralNet op een dataset van meer dan 100.000 chirale moleculen, waaronder zowel enantiomeren (spiegelbeelden) als diastereomeren (stereo-isomeren zonder spiegelbeeld). Het algoritme kon de chiraliteit van ruim 99% van de moleculen in de dataset correct classificeren.

ChiralNet is niet alleen nauwkeurig, maar ook extreem snel. Het algoritme kan de chiraliteit van een enkel molecuul in minder dan een seconde classificeren, waardoor het geschikt is voor screeningtoepassingen met hoge doorvoer.

Bovendien kan ChiralNet worden gebruikt met een verscheidenheid aan invoergegevens, waaronder gegevens over de moleculaire structuur, trillingsspectra en massaspectra. Deze flexibiliteit maakt het algoritme breed toepasbaar in verschillende velden en instellingen.

De ontwikkeling van ChiralNet betekent een grote doorbraak in de bepaling van de chiraliteit. De nauwkeurigheid, snelheid en veelzijdigheid van het algoritme maken het tot een krachtig hulpmiddel voor onderzoekers en wetenschappers die op verschillende gebieden werkzaam zijn.

Naast het potentieel voor chiraliteitsbepaling, is het onderzoeksteam van mening dat ChiralNet ook kan worden gebruikt voor andere taken die verband houden met de voorspelling van moleculaire structuur en eigenschappen. Dit opwindende potentieel opent nieuwe wegen voor onderzoek en innovatie op het gebied van de moleculaire wetenschap.