Krystalliserende viden med en læremaskine

At transformere et nyt lægemiddel fra et sæt flydende ingredienser i et laboratorium til en pille i en æske kan være en øvelse i kompleks kemi. For bedre at forstå, hvordan lægemiddelingredienser krystalliserer, UConn-forskere udgravede en stor samling af eksperimentelle data leveret af Pfizer. De rapporterede deres resultater i bladets forsidehistorie den 28. februar CrystEngComm .

Mange lægemidler tages i fast krystallinsk form som piller. Men at finde ud af den bedste måde at lokke et lægemiddel til fast form er et vanskeligt problem. Der er mange forskellige opløsningsmidler, som lægemiddelingredienser kan opløses i, og mange forskellige procedurer, der kan få lægemidlet til at krystallisere. Behandlingsbetingelser, såsom temperatur og tryk, kan også have en dyb effekt. Der er så mange forskellige variabler - ting, der kan ændre resultatet - involveret, at maskinlæring kan være den bedste måde at angribe et så kompliceret problem på.

Pfizer dannede et samarbejde med UConn-materialeforsker Serge Nakhmanson og hans kolleger i Institut for Materialevidenskab og Engineering for at evaluere maskinlæringstilgange for deres anvendelighed. Data mining, de håbede, kunne hjælpe med at finde ud af den bedste måde at få en farmaceutisk forbindelse til at krystallisere. Ved at bruge Pfizers data og relevante ekspertise, UConn-materialeholdet testede tre forskellige computeralgoritmer. Algoritmerne omtales som maskinlæring, fordi computeren bruger dem til at bygge matematiske modeller af dataene, finde mønstre, og derefter 'lære' af disse mønstre for at lave præcise forudsigelser.

Nakhmansons kandidatstuderende, Ayana Ghosh, fandt ud af, at Random Forest Regression (RFR) algoritmen gav de mest nøjagtige krystallisationsforudsigelser. Ud over, RFR var den eneste i stand til at identificere egenskaber, der ville gøre farmaceutiske molekyler lettere at krystallisere; for eksempel, hvis et molekyle vejer mindre end X mængde og har et vist antal hydrogenbindinger, sandsynligheden for, at den kan krystalliseres med succes, øges.

"Dette er netop den slags information, som en syntetisk kemiker ville have brug for for at beslutte, hvordan man laver et nyt lægemiddel i form af en pille, " siger Nakhmanson. "RFR maskinlæringsteknikken er virkelig nyttig til at adressere, hvilke parametre der er vigtige for krystallisering, og hvilke der ikke er."