Kemikere lærer neurale netværk at forudsige egenskaber af forbindelser

Et nyt fælles russisk-fransk-japansk team har udviklet en beregningsmodel, der er i stand til at forudsige egenskaberne af nye molekyler baseret på analyse af grundlæggende kemiske love. Studiet, med titlen "Brug af AI-metoder til planlægning af kemisk syntese, " er offentliggjort i Journal of Chemical Information and Modeling .

Lektor Timur Madzhidov siger:"Vi tilbød en måde at indsætte de allerede eksisterende kemiske ligninger i nogle rammer for maskinlæring. Det blev testet på forudsigelser af tautomere konstanter og surhedsgrad, som er forbundet med Kabachnik-ligningen. Ved at bruge den funktionelle indbyrdes afhængighed mellem dem, det neurale netværk lærer at forudsige begge disse egenskaber."

Prototrop tautomerisme er fænomenet reversibel isomerisme, i hvilke isomerer (stoffer med samme kvalitative og kvantitative sammensætning, men adskiller sig i struktur og egenskaber) let overgang til hinanden på grund af overførslen af ​​et hydrogenatom.

"Tautomere transformationer er meget almindelige for organiske forbindelser, er kendt for omkring halvdelen af ​​alle opdagede forbindelser. For eksempel, en af ​​mekanismerne for spontane mutationer er knyttet til de tautomere transformationer af DNA-nukleinbase. Derfor skal tautomerisme tages i betragtning ved registrering af nye forbindelser, under computerdesignet af ny medicin, og søgen efter molekyler med forudkonditionerede egenskaber, siger Madzhidov.

Resultaterne af denne forskning kunne øge præcisionen af ​​forudsigelse af fysisk-kemiske egenskaber af designet medicin og materialer, samt korrekt forudsige parametrene for kemiske reaktioner.