Forscher der Universität Liverpool haben einen KI-Assistenten entwickelt, der Laborchemiker bei der Suche nach neuen und kostengünstigeren Wegen zur Herstellung organischer Moleküle unterstützen soll.
In einem Studie veröffentlicht im Journal NaturchemieDas Team der Fakultät für Chemie hat in Zusammenarbeit mit Forschern von IBM eine Software entwickelt, die Chemikern anhand der Ergebnisse früherer Experimente Ratschläge gibt, welche Experimente sie als nächstes durchführen sollten. Der Titel der Arbeit lautet „Sequentielle Bayes-Optimierung mit geschlossenem Regelkreis als Leitfaden für die Entdeckung organischer molekularer Metallophotokatalysator-Formulierungen.“
Bisher hat dies zu einer Katalysatorformulierung für eine Kohlenstoff-Kohlenstoff-Bindungsbildungsreaktion geführt, die auf den Einsatz des Edelmetalls Iridium verzichtet, das etwa 170 Dollar pro Gramm kostet.
Die neue Methode nutzt die Bayessche Optimierung, ein Rechenverfahren zur Lösung komplexer, hochdimensionaler Probleme, das in der Lage ist, eine große Anzahl miteinander verbundener Variablen zu verarbeiten und das in Bereichen wie Finanzen, Computergrafik und Robotik eingesetzt wird.
Mithilfe der Bayesschen Optimierung ließe sich nahezu jedes komplexe physikalische Gemisch verbessern – zum Beispiel um ein besseres Kuchenrezept zu entwickeln. Für die chemische Forschung wird diese Strategie jedoch unwirksam, wenn dabei nicht einige der bekannten chemischen Regeln berücksichtigt werden.
Professor Andrew Cooper vom Department of Chemistry and Materials Innovation Factory der Universität Liverpool sagte: „Alle Chemiker wissen, dass Säuren durch Basen neutralisiert werden, aber wenn wir dies nicht als Regel einbeziehen, wird ein Bayes-Algorithmus Experimente vorschlagen, die diesen Punkt mühsam neu lernen. Ebenso könnte ein Bayes-Algorithmus bei der Optimierung einer Kuchenmischung damit beginnen, ein Rezept zu untersuchen, das 99 % Mehl enthält, was ein Mensch einfach nicht tun würde.“
Bei organischen Reaktionen, wie sie bei der Herstellung von Arzneimitteln verwendet werden, versagen Backanalogien jedoch, da hier die zugrundeliegenden Regeln komplexer sind als bei der Säure-Base-Chemie. Tatsächlich sind die Reaktionsmechanismen in vielen Fällen noch nicht vollständig verstanden. Daher gibt es möglicherweise keinen einfachen Regelsatz.
Professor Cooper fügte hinzu: „Wir näherten uns diesem Problem, indem wir physikalische Eigenschaften berechneten, die die Reaktion beeinflussen könnten – zum Beispiel, wie gut die Moleküle Licht absorbierten. Anhand dieser Informationen kann der Algorithmus schlussfolgern, dass einige Kombinationen von Chemikalien aufgrund ihrer Funktion wirksamer sein könnten als andere, anstatt zufällige Permutationen vorzunehmen oder einem allzu einfachen Regelsatz zu folgen.“
Dies ist zwar keine menschliche Intelligenz, macht diese Optimierungsmethoden jedoch intelligenter. Außerdem muss sich der Chemiker nicht ausschließlich an die Vorschläge des Algorithmus halten, sondern kann auf Grundlage seiner Erkenntnisse auch eigene Experimente einbringen.
Professor Cooper meint jedoch: „Wir betrachten dieses Tool als einen KI-Assistenten und nicht als einen Roboterherrscher.“
In der Praxis führte dieses Softwaretool das Team dazu, in einer Reihe von 107 Experimenten hochwirksame Iridium-freie Katalysatorformulierungen zu entdecken – immer noch eine beträchtliche Zahl, aber nur ein kleiner Bruchteil der 4500 möglichen Reaktionskombinationen, die zur Verfügung standen.
Diese Methode sollte auf alle chemischen Reaktionen übertragbar sein, bei denen es möglich ist, relevante physikalische Eigenschaften oder Deskriptoren zu berechnen, um den Optimierungsprozess zu steuern.
Mehr Informationen:
Xiaobo Li et al., Sequentielle Bayesianische Closed-Loop-Optimierung als Leitfaden für die Entdeckung organischer molekularer Metallophotokatalysator-Formulierungen, Naturchemie (2024). DOI: 10.1038/s41557-024-01546-5