Forbedring af oddsene for syntetisk kemi succes

Kemi er mere end blot at blande forbindelse A med forbindelse B for at fremstille forbindelse C. Der er katalysatorer, der påvirker reaktionshastigheden, samt de fysiske betingelser for reaktionen og eventuelle mellemtrin, der fører til det endelige produkt. Hvis du forsøger at lave en ny kemisk proces til, sige, farmaceutisk eller materialeforskning du skal finde det bedste af hver af disse variabler. Det er en tidskrævende trial-and-error-proces.

Eller, i det mindste, det var.

I en ny publikation i Natur , University of Utah kemikere Jolene Reid og Matthew Sigman viser, hvordan analyse af tidligere offentliggjorte kemiske reaktionsdata kan forudsige, hvordan hypotetiske reaktioner kan forløbe, indsnævre rækken af ​​forhold, kemikere skal udforske. Deres algoritmiske forudsigelsesproces, som omfatter aspekter af maskinlæring, kan spare værdifuld tid og ressourcer i kemisk forskning.

"Vi forsøger at finde den bedste kombination af parametre, "Siger Reid. "Når vi har det, kan vi justere træk ved enhver reaktion og faktisk forudsige, hvordan den justering vil påvirke den."

Prøve og fejl

Tidligere, kemikere, der ønskede at udføre en reaktion, der ikke var blevet prøvet før, såsom en reaktion på at binde et bestemt lille molekyle til et bestemt sted på et større molekyle, nærmede sig problemet ved at slå en lignende reaktion op og efterligne de samme forhold.

"Næsten hver gang, i hvert fald efter min erfaring, det fungerer ikke godt, Sigman siger. "Så så ændrer du systematisk betingelserne."

Men med flere variabler i hver reaktion - Sigman estimerer omkring syv til 10 i en typisk farmaceutisk reaktion - bliver antallet af mulige kombinationer af tilstande overvældende. "Du kan ikke dække hele denne variable plads med nogen form for høj gennemløbsdrift, Sigman siger. "Vi taler om milliarder af muligheder."

Indsnævring af feltet

Så, Sigman og Reid ledte efter en måde at indsnævre fokus til en mere håndterbar række forhold. For deres testreaktion, de så på reaktioner, der involverer molekyler med modsatte spejlbilleder af hinanden (på samme måde som din højre og venstre hånd er spejlbilleder af hinanden), og som vælger mere for en konfiguration end en anden. En sådan reaktion kaldes "enantioselektiv, " og Sigmans laboratorium studerer de typer katalysatorer, der er involveret i enantioselektive reaktioner.

Reid indsamlede offentliggjorte videnskabelige rapporter om 367 former for reaktioner, der involverer iminer, som har en nitrogenbase, og brugte maskinlæringsalgoritmer til at korrelere træk ved reaktionerne med, hvor selektive de var for de to forskellige former for iminer. Algoritmerne kiggede på reaktionernes katalysatorer, opløsningsmidler og reaktanter, og konstruerede matematiske sammenhænge mellem disse egenskaber og det endelige selektivt af reaktionen.

"Der er et mønster skjult under overfladen af, hvorfor det virker og ikke virker med denne tilstand, denne katalysator, dette substrat, og så videre, Sigman siger.

"Nøglen til vores succes er, at vi bruger information fra mange reaktioner, " tilføjer Reid.

Letter smerterne

Hvor godt virker deres prædiktive model? Den forudsagde med succes resultaterne af 15 reaktioner, der involverede en reaktant, der ikke var i det originale sæt, og resultaterne af 13 reaktioner, hvor både en reaktant- og katalysatortype ikke var i det originale sæt. Endelig, Reid og Sigman kiggede på en nylig undersøgelse, der udførte 2, 150 eksperimenter for at finde de optimale betingelser for 34 reaktioner. Uden at snavse et eneste bæger, Reid og Sigmans model nåede frem til de samme resultater og samme optimale katalysator.

Reid ser frem til at anvende modellen til at forudsige reaktioner, der involverer store, komplekse molekyler. "Man oplever ofte, at nye metoder ikke er finjusteret til komplekse systemer, " siger hun. "Det kunne vi muligvis gøre nu ved på forhånd at forudsige den bedste form for katalysator."

Sigman tilføjer, at prædiktive modeller kan sænke barriererne for udvikling af nye lægemidler.

"Lægemiddelindustrien ønsker ikke at investere penge i noget, som de ikke ved, om det kommer til at virke, " siger han. "Så, hvis du har en algoritme, der tyder på, at dette har stor sandsynlighed for at fungere, du lindrer smerten. "

Efter offentliggørelsen, find hele undersøgelsen her.