人工知能と分子機械が力を合わせて自動化された化学を一般化する

イリノイ州の研究者は、強力な AI と分子製造機を組み合わせた国際チームを率いて、自動化された複雑な化学に最適な条件を見つけました。 写真、左から: イリノイ大学の化学教授 Martin D. Burke、材料科学および工学教授 Charles M. Schroeder、大学院生 Nicholas Angello、ポスドク研究員 Vandana Rathore。 彼らの後ろのスクリーンに描かれているのは、Bartosz A. Grzybowski 教授と Alán Aspuru-Guzik 教授が率いる国際的な共同研究者です。 クレジット: Fred Zwicky、イリノイ大学

人工知能、「構成要素」化学、および分子製造機が協力して、生物医学および材料研究にとって重要な化合物を合成するための最適な一般的反応条件を見つけました。アクセス可能。

イリノイ大学アーバナ シャンペーン校の研究者とポーランドとカナダの共同研究者は、機械で生成された最適化された条件を使用して、薬学的に重要な分子で炭素原子を結合させる、最適化が難しい特殊なタイプの反応の平均収量を 2 倍にしました。 研究者たちは、彼らのシステムは、他のクラスの反応の一般的な条件や、同様に複雑な問題の解決策を見つけるためにも使用できるプラットフォームを提供すると述べています。 彼らはその発見をジャーナルに報告した 化学.

「自動化には一般性が重要であるため、化学者でなくても分子革新を容易に行うことができます」と、研究の共同リーダーである Dr. イリノイ州の化学教授であり、カール イリノイ医科大学のマーティン D. バーク博士は、医師でもあります。 「課題は、可能な反応条件の干し草の山が天文学的であり、針が内部のどこかに隠されていることです。人工知能とビルディングブロック化学の力を活用してフィードバックループを作成することにより、干し草の山を縮小することができました。針。」

タンパク質や DNA などの核酸の自動合成装置は、これらの分野の研究や化学製造に革命をもたらしましたが、製薬、臨床、製造、材料への応用にとって重要な化学物質の多くは、複雑な構造を持つ小分子であると研究者は述べています。

Burke のグループは、小分子の単純な化学ビルディング ブロックの開発の先駆者です。 彼の研究室はまた、建物のブロックを組み合わせて幅広い可能な構造を作成する自動化された分子製造機を開発しました。

ただし、自動化されたプロセスを広く適用できるようにするための一般的な反応条件は、とらえどころのないままです。

「従来、化学者は、作ろうとしている製品ごとに反応条件をカスタマイズしていました」と Burke 氏は述べています。 「問題は、これが遅く、非常に専門家に依存するプロセスであり、マシンが毎回ベッドに入る必要があるため、自動化が非常に難しいことです.一緒にスナップしようとしています。」

一般化された条件を使用した自動化されたアプローチは、一部の製品の製造方法を標準化し、再現性の問題に対処するのに役立つ可能性があると、イリノイ州のポスドク研究者であり、この研究の共同筆頭著者である Vandana Rathore 氏は述べています。

Burke のグループは、ポーランド科学アカデミーの有機化学研究所の Bartosz A. Grzybowski が率いるグループ、およびトロント大学の Alán Aspuru-Guzik のグループとチームを組みました。どちらも人工知能と機械学習の使用におけるリーダーです。化学合成を改善します。 チームは、AI を分子マシンと統合して、機械学習システムにリアルタイムのフィードバックを提供しました。

「良いことと悪いことを区別するには、悪いことについて何かを知る必要がありますが、人々は成功したものしか公開しません」と Grzybowski 氏は述べています。 最良ではなく、人気や便利な条件を反映した研究が発表されているため、多様なデータと否定的な結果を含む体系的なアプローチが必要であると彼は述べた.

まず、チームはビルディングブロック化学を使用してアルゴリズムを使用して可能な組み合わせのマトリックス全体を実行し、同様の反応をグループ化しました. 次に、AI は、イリノイ州のベックマン先端科学技術研究所にある分子メーカー ラボのマシンに入力された指示を送信し、各クラスターから代表的な反応を生成しました。 それらの反応からの情報がモデルにフィードバックされます。 AI はデータから学習し、分子マシンにさらに実験を命じました。

「幅広い反応について、収量の増加と不確実性の減少という 2 つのことを見ていました」と、現在韓国の蔚山科学技術大学にいる Grzybowski 氏は述べています。 「このループは、問題が解決するまで介入する必要なく続きました。タンパク質合成マシンの一般化された条件を理解するのに 30 年かかりました。これには 2 か月かかりました。」

このプロセスは、多くの生物学的および材料関連化合物にとって重要な、ヘテロアリール鈴木-宮浦カップリングと呼ばれる困難なクラスの反応の平均収量を2倍にする条件を特定しました。

「私たちが AI トレーニングで学習したことのないビルディング ブロックの組み合わせにはさまざまな種類がありますが、AI は非常に多様な空間を探索したため、最初は探索されていなかった領域でも良い結果が得られました」とイリノイ州の大学院生は述べています。この研究の共同筆頭著者であるニコラス・H・アンジェロ。

この論文で説明されている機械学習プロセスは、化学の他の広範な分野にも適用でき、他のタイプの小分子やさらに大きな有機ポリマーに最適な反応条件を見つけることができる、と研究者は述べています。

「さまざまな機能特性について知り、対象とし、発見したい非常に多くの異なる材料クラスがあります。このアプローチを他の同様の反応化学、他のタイプの炭素-炭素リンクに拡張することは刺激的です」と研究の共著者は述べています。 Charles M. Schroeder はイリノイ州の材料科学および工学、化学および生体分子工学の教授であり、Beckman Institute に所属しています。

詳しくは:
Nicholas H. Angello et al、ヘテロアリール鈴木-宮浦カップリングの一般的な反応条件の閉ループ最適化、 化学 (2022)。 DOI: 10.1126/science.adc8743

イリノイ大学アーバナ シャンペーン校提供

引用: 人工知能と分子機械が力を合わせて自動化学を一般化する (2022 年 10 月 28 日) https://phys.org/news/2022-10-artificial-intelligence-molecule-machine-automated.html から 2022 年 11 月 12 日に取得

このドキュメントは著作権の対象です。 個人的な研究または調査を目的とした公正な取引を除き、書面による許可なしに、いかなる部分も複製することはできません。 コンテンツは情報提供のみを目的として提供されています。

Leave a Comment

Your email address will not be published. Required fields are marked *