Künstliche Intelligenz und Molekülmaschine bündeln ihre Kräfte, um die automatisierte Chemie zu verallgemeinern

Künstliche Intelligenz, „Baustein“-Chemie und eine Maschine zur Herstellung von Molekülen haben sich zusammengetan, um die besten allgemeinen Reaktionsbedingungen für die Synthese von Chemikalien zu finden, die für die Biomedizin und die Materialforschung wichtig sind – eine Erkenntnis, die Innovationen und Arzneimittelforschung beschleunigen und komplexe Chemie automatisieren könnte und zugänglich.

Mit den maschinell erzeugten optimierten Bedingungen verdoppelten Forscher der University of Illinois Urbana-Champaign und Mitarbeiter in Polen und Kanada die durchschnittliche Ausbeute eines speziellen, schwer zu optimierenden Reaktionstyps, bei dem Kohlenstoffatome in pharmazeutisch wichtigen Molekülen miteinander verbunden werden. Die Forscher sagen, dass ihr System eine Plattform bietet, die auch verwendet werden könnte, um allgemeine Bedingungen für andere Reaktionsklassen und Lösungen für ähnlich komplexe Probleme zu finden. Sie berichteten in der Zeitschrift über ihre Ergebnisse Wissenschaft.

„Allgemeinheit ist entscheidend für die Automatisierung und macht somit molekulare Innovation auch für Nicht-Chemiker zugänglich“, sagte der Co-Leiter der Studie, Dr. Martin D. Burke, Professor für Chemie in Illinois und am Carle Illinois College of Medicine sowie Arzt . „Die Herausforderung besteht darin, dass der Heuhaufen möglicher Reaktionsbedingungen astronomisch groß ist und die Nadel irgendwo im Inneren versteckt ist. Indem wir die Kraft der künstlichen Intelligenz und der Chemie der Bausteine ​​genutzt haben, um eine Rückkopplungsschleife zu schaffen, konnten wir den Heuhaufen schrumpfen. Und wir haben es gefunden Die Nadel.“

Automatisierte Synthesemaschinen für Proteine ​​und Nukleinsäuren wie DNA haben die Forschung und chemische Herstellung in diesen Bereichen revolutioniert, aber viele Chemikalien, die für pharmazeutische, klinische, Fertigungs- und Materialanwendungen wichtig sind, sind kleine Moleküle mit komplexen Strukturen, sagen die Forscher.

Burkes Gruppe hat Pionierarbeit bei der Entwicklung einfacher chemischer Bausteine ​​für kleine Moleküle geleistet. Sein Labor entwickelte auch eine automatisierte Maschine zur Herstellung von Molekülen, die die Bausteine ​​zusammenfügt, um eine breite Palette möglicher Strukturen zu schaffen.

Allgemeine Reaktionsbedingungen, um das automatisierte Verfahren breit anwendbar zu machen, blieben jedoch schwer fassbar.

„Traditionell passen Chemiker die Reaktionsbedingungen für jedes Produkt an, das sie herzustellen versuchen“, sagte Burke. „Das Problem ist, dass dies ein langsamer und sehr spezialistenabhängiger Prozess ist und sehr schwer zu automatisieren ist, da die Maschine jedes Mal optimiert werden müsste. Was wir wirklich wollen, sind Bedingungen, die fast immer funktionieren, egal welche zwei Dinge Sie tun versuchen, zusammenzuschnappen.“

Ein automatisierter Ansatz mit verallgemeinerten Bedingungen könnte dazu beitragen, die Herstellung einiger Produkte zu standardisieren und das Problem der Reproduzierbarkeit anzugehen, sagte die Postdoktorandin Vandana Rathore aus Illinois, eine Co-Erstautorin der Studie.

Burkes Gruppe tat sich mit einer Gruppe unter der Leitung von Bartosz A. Grzybowski am Institut für Organische Chemie der Polnischen Akademie der Wissenschaften sowie der Gruppe von Alán Aspuru-Guzik an der Universität Toronto zusammen, beide führend in der Nutzung von künstlicher Intelligenz und maschinellem Lernen um die chemische Synthese zu verbessern. Das Team integrierte KI in die Molekülmaschine, um dem maschinellen Lernsystem Echtzeit-Feedback zu geben.

„Um Gut und Böse zu unterscheiden, muss man etwas über die Bösen wissen, aber die Leute veröffentlichen nur die Erfolge“, sagte Grzybowski. Veröffentlichte Studien spiegeln Bedingungen wider, die beliebt oder bequem sind, und nicht die besten, daher sei ein systematischer Ansatz notwendig, der verschiedene Daten und negative Ergebnisse einbeziehe, sagte er.

Zunächst ließ das Team die gesamte Matrix möglicher Kombinationen unter Verwendung der Bausteinchemie durch einen Algorithmus laufen, um ähnliche Reaktionen zu gruppieren. Dann sendete die KI Anweisungen, die in eine Maschine im Molecule Maker Lab des Beckman Institute for Advanced Science and Technology in Illinois eingegeben wurden, um repräsentative Reaktionen aus jedem Cluster zu erzeugen. Die Informationen aus diesen Reaktionen werden in das Modell zurückgeführt; die KI lernte aus den Daten und bestellte weitere Experimente bei der Molekülmaschine.

„Wir wollten zwei Dinge sehen: eine Steigerung des Ertrags und eine Verringerung der Unsicherheit für ein breites Spektrum von Reaktionen“, sagte Grzybowski, der jetzt am Ulsan Institute of Science and Technology in Südkorea arbeitet. „Diese Schleife ging weiter, ohne dass wir eingreifen mussten, bis das Problem gelöst war. Es dauerte 30 Jahre, die allgemeinen Bedingungen für Proteinsynthesemaschinen herauszufinden. Dafür brauchten wir zwei Monate.“

Das Verfahren identifizierte Bedingungen, die die durchschnittliche Ausbeute einer anspruchsvollen Klasse von Reaktionen, der so genannten Heteroaryl-Suzuki-Miyaura-Kupplung, die für viele biologische und materialrelevante Verbindungen entscheidend ist, verdoppelten.

„Es gibt alle möglichen Kombinationen von Bausteinen, die wir in unserem KI-Training nicht einmal studiert haben, aber weil die KI einen so vielfältigen Raum erforscht hat, hat sie sogar in diesen anfänglich unerforschten Bereichen gute Ergebnisse gefunden“, sagte Nicholas H Angello, ein Co-Erstautor der Studie.

Der in der Veröffentlichung beschriebene maschinelle Lernprozess könnte auch auf andere breite Bereiche der Chemie angewendet werden, um die besten Reaktionsbedingungen für andere Arten kleiner Moleküle oder sogar größere organische Polymere zu finden, sagen die Forscher.

„Es gibt so viele verschiedene Materialklassen, die wir für unterschiedliche funktionelle Eigenschaften kennen, anvisieren und entdecken wollen. Autor Charles M. Schroeder, ein Illinois-Professor für Materialwissenschaft und -technik sowie chemische und biomolekulare Technik und ein Tochterunternehmen des Beckman Institute.