Los investigadores de la Universidad de Cambridge han demostrado que un algoritmo puede predecir los resultados de reacciones químicas complejas con más del 90% de precisión, superando a los químicos entrenados. El algoritmo también muestra a los químicos cómo hacer compuestos objetivo, proporcionando el 'mapa' químico al destino deseadoLos resultados se informan en dos estudios en las revistas. Ciencia Central de ACS y Comunicaciones químicas .
Un desafío central en el descubrimiento de fármacos y la ciencia de los materiales es encontrar formas de hacer moléculas orgánicas complicadas uniendo químicamente bloques de construcción más simples. El problema es que esos bloques de construcción a menudo reaccionan de maneras inesperadas.
"La fabricación de moléculas a menudo se describe como un arte realizado con experimentación de prueba y error porque nuestra comprensión de la reactividad química está lejos de ser completa", dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, quien dirigió los estudios. "Los algoritmos de aprendizaje automático puedentienen una mejor comprensión de la química porque destilan patrones de reactividad de millones de reacciones químicas publicadas, algo que un químico no puede hacer ".
El algoritmo desarrollado por Lee y su grupo utiliza herramientas de reconocimiento de patrones para reconocer cómo reaccionan los grupos químicos en las moléculas, entrenando el modelo en millones de reacciones publicadas en patentes.
Los investigadores analizaron la predicción de la reacción química como un problema de traducción automática. Las moléculas que reaccionan se consideran como un 'lenguaje', mientras que el producto se considera como un idioma diferente. El modelo luego usa los patrones en el texto para aprender cómo 'traducir 'entre los dos idiomas.
Usando este enfoque, el modelo logra una precisión del 90% en la predicción del producto correcto de reacciones químicas invisibles, mientras que la precisión de los químicos humanos capacitados es de alrededor del 80%. Los investigadores dicen que el modelo es lo suficientemente preciso como para detectar errores en los datos ypredecir correctamente una gran cantidad de reacciones difíciles.
El modelo también sabe lo que no sabe. Produce un puntaje de incertidumbre, que elimina las predicciones incorrectas con una precisión del 89%. Como los experimentos requieren mucho tiempo, la predicción precisa es crucial para evitar seguir costosas rutas experimentales que finalmente terminan en fracaso.
En el segundo estudio, Lee y su grupo, en colaboración con la compañía biofarmacéutica Pfizer, demostraron el potencial práctico del método en el descubrimiento de fármacos.
Los investigadores demostraron que cuando se entrena en investigaciones químicas publicadas, el modelo puede hacer predicciones precisas de reacciones basadas en cuadernos de laboratorio, lo que demuestra que el modelo ha aprendido las reglas de la química y puede aplicarlo a la configuración de descubrimiento de fármacos.
El equipo también demostró que el modelo puede predecir secuencias de reacciones que conducirían a un producto deseado. Aplicaron esta metodología a diversas moléculas similares a las drogas, demostrando que los pasos que predice son químicamente razonables. Esta tecnología puede reducir significativamentemomento del descubrimiento preclínico de medicamentos porque proporciona a los químicos medicinales un plan de dónde comenzar.
"Nuestra plataforma es como un GPS para la química", dijo Lee, quien también es investigador del St Catharine's College. "Informa a los químicos si una reacción es ir o no, y cómo navegar por las rutas de reacción parahacer una nueva molécula "
Los investigadores de Cambridge actualmente utilizan esta tecnología de predicción de reacciones para desarrollar una plataforma completa que une el ciclo diseño-prueba-prueba en el descubrimiento de fármacos y el descubrimiento de materiales: prediciendo moléculas bioactivas prometedoras, formas de hacer esas moléculas orgánicas complejas y seleccionando los experimentoseso es lo más informativo. Los investigadores ahora están trabajando en extraer información química del modelo, intentando comprender lo que ha aprendido que los humanos no tienen.
"Podemos progresar mucho en química si aprendemos qué tipo de patrones está observando el modelo para hacer una predicción", dijo Peter Bolgar, un estudiante de doctorado en química orgánica sintética involucrado en ambos estudios ". El modeloy los químicos humanos juntos se volverían extremadamente poderosos en el diseño de experimentos, más de lo que cada uno sería sin el otro ".
La investigación fue apoyada por el Programa Winton para la Física de la Sostenibilidad y el Fondo Herchel Smith.
Fuente de la historia :
Materiales proporcionado por Universidad de Cambridge . La historia original tiene licencia bajo a Licencia Creative Commons . Nota: El contenido puede ser editado por estilo y longitud.
Referencias de revistas :
Cita esta página :