La inteligencia artificial y la máquina de moléculas unen fuerzas para generalizar la química automatizada

Investigadores de Illinois dirigieron un equipo internacional que combinó una poderosa IA y una máquina de fabricación de moléculas para encontrar las mejores condiciones para la química compleja automatizada. En la foto, de izquierda a derecha: el profesor de química de la Universidad de Illinois, Martin D. Burke, el profesor de ciencia e ingeniería de materiales, Charles M. Schroeder, el estudiante de posgrado Nicholas Angello y la investigadora posdoctoral Vandana Rathore. Detrás de ellos, en la pantalla, aparecen colaboradores internacionales, encabezados por los profesores Bartosz A. Grzybowski y Alán Aspuru-Guzik. Crédito: Fred Zwicky, Universidad de Illinois

La inteligencia artificial, la química de “bloques de construcción” y una máquina de fabricación de moléculas se unieron para encontrar las mejores condiciones generales de reacción para sintetizar sustancias químicas importantes para la investigación biomédica y de materiales, un hallazgo que podría acelerar la innovación y el descubrimiento de fármacos, así como automatizar la química compleja. y accesible.

Con las condiciones optimizadas generadas por máquinas, investigadores de la Universidad de Illinois Urbana-Champaign y colaboradores en Polonia y Canadá duplicaron el rendimiento promedio de un tipo de reacción especial, difícil de optimizar, que une átomos de carbono en moléculas farmacéuticamente importantes. Los investigadores dicen que su sistema proporciona una plataforma que también podría usarse para encontrar condiciones generales para otras clases de reacciones y soluciones para problemas complejos similares. Informaron de sus hallazgos en la revista. Ciencias.

“La generalidad es fundamental para la automatización y, por lo tanto, hacer que la innovación molecular sea accesible incluso para los no químicos”, dijo el codirector del estudio, el Dr. Martin D. Burke, profesor de química de Illinois y de la Facultad de Medicina de Carle Illinois, además de médico. . “El desafío es que el pajar de posibles condiciones de reacción es astronómico, y la aguja está escondida en algún lugar dentro. Al aprovechar el poder de la inteligencia artificial y la química de los componentes básicos para crear un ciclo de retroalimentación, pudimos reducir el pajar. Y encontramos la aguja”.

Las máquinas de síntesis automatizadas para proteínas y ácidos nucleicos como el ADN han revolucionado la investigación y la fabricación de productos químicos en esos campos, pero muchos productos químicos de importancia para aplicaciones farmacéuticas, clínicas, de fabricación y de materiales son moléculas pequeñas con estructuras complejas, dicen los investigadores.

El grupo de Burke ha sido pionero en el desarrollo de bloques de construcción químicos simples para moléculas pequeñas. Su laboratorio también desarrolló una máquina automatizada de fabricación de moléculas que une los bloques de construcción para crear una amplia gama de estructuras posibles.

Sin embargo, las condiciones generales de reacción para hacer que el proceso automatizado sea ampliamente aplicable siguen siendo difíciles de alcanzar.

“Tradicionalmente, los químicos personalizan las condiciones de reacción para cada producto que están tratando de hacer”, dijo Burke. “El problema es que este es un proceso lento y muy dependiente de especialistas, y muy difícil de automatizar porque la máquina tendría que optimizarse cada vez. Lo que realmente queremos son condiciones que funcionen casi siempre, sin importar las dos cosas que usted estamos tratando de unirnos”.

Un enfoque automatizado con condiciones generalizadas podría ayudar a estandarizar cómo se fabrican algunos productos, abordando el problema de la reproducibilidad, dijo la investigadora postdoctoral de Illinois Vandana Rathore, coautora del estudio.

El grupo de Burke se asoció con un grupo dirigido por Bartosz A. Grzybowski en el Instituto de Química Orgánica de la Academia de Ciencias de Polonia, así como con el grupo de Alán Aspuru-Guzik en la Universidad de Toronto, ambos líderes en el uso de inteligencia artificial y aprendizaje automático. para mejorar la síntesis química. El equipo integró la IA con la máquina de moléculas para brindar retroalimentación en tiempo real al sistema de aprendizaje automático.

“Para distinguir lo bueno de lo malo, necesitas saber algo sobre lo malo, pero la gente solo publica los éxitos”, dijo Grzybowski. Los estudios publicados reflejan condiciones que son populares o convenientes, en lugar de las mejores, por lo que era necesario un enfoque sistemático que incluyera datos diversos y resultados negativos, dijo.

Primero, el equipo ejecutó toda la matriz de posibles combinaciones utilizando la química de los componentes básicos a través de un algoritmo para agrupar reacciones similares. Luego, la IA envió instrucciones, ingresadas a una máquina en el Molecule Maker Lab ubicado en el Instituto Beckman de Ciencia y Tecnología Avanzadas en Illinois, para producir reacciones representativas de cada grupo. La información de esas reacciones retroalimentó el modelo; la IA aprendió de los datos y ordenó más experimentos de la máquina de moléculas.

“Estábamos buscando dos cosas: un aumento en el rendimiento y una disminución en la incertidumbre, para un amplio espectro de reacciones”, dijo Grzybowski, quien ahora trabaja en el Instituto de Ciencia y Tecnología de Ulsan en Corea del Sur. “Este ciclo continuó sin que tuviéramos que intervenir hasta que se resolvió el problema. Descubrir las condiciones generalizadas para las máquinas de síntesis de proteínas tomó 30 años. Esto nos tomó dos meses”.

El proceso identificó condiciones que duplicaron el rendimiento promedio de una clase desafiante de reacciones, denominada acoplamiento heteroarilo Suzuki-Miyaura, crucial para muchos compuestos biológicos y materiales relevantes.

“Hay todo tipo de combinaciones de bloques de construcción que ni siquiera estudiamos en nuestro entrenamiento de IA, pero debido a que la IA había explorado un espacio tan diverso, encontró buenos resultados incluso en esas áreas inicialmente inexploradas”, dijo el estudiante graduado de Illinois Nicholas H. Angello, co-primer autor del estudio.

El proceso de aprendizaje automático descrito en el documento también podría aplicarse a otras áreas amplias de la química para encontrar las mejores condiciones de reacción para otros tipos de moléculas pequeñas o polímeros orgánicos incluso más grandes, dicen los investigadores.

“Hay tantas clases de materiales diferentes que queremos conocer, apuntar y descubrir para diferentes propiedades funcionales. La posibilidad de extensión de este enfoque a otras reacciones químicas similares, otros tipos de enlaces carbono-carbono, es emocionante”, dijo el coautor del estudio. autor Charles M. Schroeder, profesor de ciencia e ingeniería de materiales e ingeniería química y biomolecular de Illinois, y afiliado al Instituto Beckman.



Source: Phys.org – latest science and technology news stories by phys.org.

*The article has been translated based on the content of Phys.org – latest science and technology news stories by phys.org. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!