La química es más que mezclar el compuesto A con el compuesto B para hacer el compuesto C. Hay catalizadores que afectan la velocidad de reacción, así como las condiciones físicas de la reacción y cualquier paso intermedio que conduzca al producto final. Si 'Al intentar crear un nuevo proceso químico para, por ejemplo, investigación farmacéutica o de materiales, es necesario encontrar lo mejor de cada una de estas variables. Es un proceso de prueba y error que requiere mucho tiempo.
O, al menos, lo fue.
en una nueva publicación en Naturaleza , los químicos de la Universidad de Utah Jolene Reid y Matthew Sigman muestran cómo el análisis de datos de reacciones químicas publicados anteriormente puede predecir cómo pueden proceder las reacciones hipotéticas, reduciendo el rango de condiciones que los químicos necesitan explorar. Su proceso de predicción algorítmica, que incluye aspectos del aprendizaje automático,puede ahorrar tiempo y recursos valiosos en la investigación química.
"Tratamos de encontrar la mejor combinación de parámetros", dice Reid. "Una vez que lo tenemos, podemos ajustar las características de cualquier reacción y predecir cómo lo afectará ese ajuste".
prueba y error
Anteriormente, los químicos que querían llevar a cabo una reacción que no se había probado antes, como una reacción para unir una molécula pequeña en particular a un lugar particular en una molécula más grande, abordaron el problema buscando una reacción similar e imitandolas mismas condiciones.
"Casi todas las veces, al menos en mi experiencia, no funciona bien", dice Sigman. "Entonces, cambia sistemáticamente las condiciones".
Pero con varias variables en cada reacción - Sigman estima entre siete y diez en una reacción farmacéutica típica - el número de posibles combinaciones de condiciones se vuelve abrumador ". No se puede cubrir todo este espacio variable con ningún tipo de operación de alto rendimiento", Dice Sigman." Estamos hablando de miles de millones de posibilidades ".
Estrechando el campo
Entonces, Sigman y Reid buscaron una manera de reducir el enfoque a un rango de condiciones más manejable. Para su reacción de prueba, observaron reacciones que involucran moléculas con imágenes especulares opuestas entre sí de la misma manera que su derecha ylas manos izquierdas son imágenes especulares entre sí y que seleccionan más para una configuración que para otra. Esta reacción se llama "enantioselectiva", y el laboratorio de Sigman estudia los tipos de catalizadores involucrados en las reacciones enantioselectivas.
Reid recopiló informes científicos publicados de 367 formas de reacciones que involucran iminas, que tienen una base de nitrógeno, y usó algoritmos de aprendizaje automático para correlacionar las características de las reacciones con cuán selectivas eran para las dos formas diferentes de iminas. Los algoritmos analizaron elcatalizadores, disolventes y reactivos de las reacciones, y construyeron relaciones matemáticas entre esas propiedades y el final selectivo de la reacción.
"Hay un patrón oculto debajo de la superficie de por qué funciona y no funciona con esta condición, este catalizador, este sustrato, etc.", dice Sigman.
"La clave de nuestro éxito es que usamos información de muchas reacciones", agrega Reid.
Aliviar el dolor
¿Qué tan bien funciona su modelo predictivo? Predijo con éxito los resultados de 15 reacciones que involucraban un reactivo que no estaba en el conjunto original, y los resultados de 13 reacciones en las que tanto el tipo de reactivo como el de catalizador no estaban en el conjunto original.Finalmente, Reid y Sigman observaron un estudio reciente que llevó a cabo 2,150 experimentos para encontrar las condiciones óptimas de 34 reacciones. Sin ensuciar un solo vaso, el modelo de Reid y Sigman llegó a los mismos resultados y al mismo catalizador óptimo.
Reid espera aplicar el modelo para predecir reacciones que involucran moléculas grandes y complejas. "A menudo, se encuentra que las nuevas metodologías no están ajustadas a sistemas complejos", dice. "Posiblemente podríamos hacerlo ahora al predecir de antemano elmejor tipo de catalizador ".
Sigman agrega que los modelos predictivos pueden reducir las barreras para el desarrollo de nuevos fármacos.
"La industria farmacéutica no quiere invertir dinero en algo que no sabe si va a funcionar", dice. "Entonces, si tiene un algoritmo que sugiere que esto tiene una alta probabilidad de funcionar,aliviar el dolor."
Fuente de la historia :
Materiales proporcionado por Universidad de Utah . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :