Forudsigelse af reaktionsresultater:Maskiner lærer kemi

Hverdagen uden kunstig intelligens er knapt tænkelig i dagens verden. Utallige applikationer inden for områder som autonom kørsel, fremmedsprogsoversættelse eller medicinsk diagnostik har fundet vej ind i vores liv. I kemisk forskning, også, der gøres en stor indsats for at anvende kunstig intelligens (AI), også kendt som maskinlæring, effektivt. Disse teknologier er allerede blevet brugt til at forudsige egenskaberne af individuelle molekyler, gør det nemmere for forskere at vælge den forbindelse, der skal produceres.

Denne produktion, kendt som syntese, involverer normalt en betydelig indsats, da der er mange mulige synteseveje til at producere et målmolekyle. Da hver enkelt reaktions succes afhænger af adskillige parametre, det er ikke altid muligt, selv for erfarne kemikere, at forudsige, om en reaktion vil finde sted - og endnu mindre, hvor godt den vil fungere. For at afhjælpe denne situation, et hold af kemikere og dataloger fra universitetet i Münster (Tyskland) er gået sammen og udviklet et kunstig intelligens-værktøj, som nu er blevet offentliggjort i tidsskriftet Chem .

Baggrund og metode:

"En kemisk reaktion er et meget komplekst system, " forklarer Frederik Sandfort, Ph.D. studerende ved Institut for Organisk Kemi og en af ​​publikationens hovedforfattere. "I modsætning til forudsigelsen af ​​egenskaber af individuelle forbindelser, en reaktion er vekselvirkningen mellem mange molekyler og dermed et multidimensionelt problem, " tilføjer han. Desuden, der er ingen klart definerede "spilleregler", som, som i tilfældet med moderne skakcomputere, forenkle udviklingen af ​​AI-modeller. Af denne grund, tidligere tilgange til præcist at forudsige reaktionsresultater såsom udbytter eller produkter er for det meste baseret på en tidligere opnået forståelse af molekylære egenskaber. "Udviklingen af ​​sådanne modeller kræver en stor indsats. Desuden størstedelen af ​​dem er højt specialiserede og kan ikke overføres til andre problemer, " tilføjer Frederik Sandfort.

Fokus i det fremlagte arbejde var derfor på en generel anvendelighed af programmet, så andre kemikere sagtens kan bruge det til deres eget arbejde. For at sikre dette, modellen er baseret direkte på molekylære strukturer. "Hver organisk forbindelse kan repræsenteres som en graf, i princippet som et billede, " forklarer Marius Kühnemund, en anden forfatter, fra området datalogi. "På sådanne grafer, simple strukturelle forespørgsler - der kan sammenlignes med spørgsmålet om farver eller former i et foto - kan laves for at fange det såkaldte kemiske miljø så præcist som muligt."

Kombinationen af ​​mange sådanne på hinanden følgende forespørgsler resulterer i et såkaldt molekylært fingeraftryk. Disse simple talsekvenser har længe været brugt i kemoinformatik til at finde strukturelle ligheder og er velegnede til computerstøttede applikationer. I deres tilgang forfatterne bruger et stort antal af sådanne fingeraftryk til at repræsentere den kemiske struktur af hvert molekyle så nøjagtigt som muligt. "På denne måde vi har været i stand til at udvikle et robust system, der kan bruges til at forudsige helt andre reaktionsresultater, tilføjer Marius Kühnemund, "Den samme model kan bruges til at forudsige både udbytter og stereoselektiviteter, hvilket er unikt."

Forfatterne demonstrerede, at deres program nemt kan anvendes og tillader nøjagtige forudsigelser, især i kombination med moderne robotteknologi, ved at bruge et datasæt, der ikke oprindeligt er skabt til maskinlæring. "Dette datasæt indeholder kun relativt salg af udgangsmaterialerne og ingen nøjagtige udbytter, Frederik Sandfort forklarer. "For nøjagtige udbytter, kalibreringer skal oprettes. Imidlertid, på grund af den store indsats, dette er sjældent gjort i virkeligheden."

Teamet vil fortsætte med at udvikle deres program yderligere og udstyre det med nye funktioner i fremtiden. Prof. Frank Glorius er sikker:"Når det kommer til at evaluere store mængder komplekse data, computere er grundlæggende os overlegne. Imidlertid, vores mål er ikke at erstatte syntetiske kemikere med maskiner, men for at støtte dem så effektivt som muligt. Modeller baseret på kunstig intelligens kan ændre den måde, vi nærmer os kemiske synteser på, markant. Men vi er stadig helt i begyndelsen."