KI-Innovation im Bereich maschinelles Lernen zur Entwicklung einer chemischen Bibliothek für die Arzneimittelentdeckung.

0

Einstufige Multikomponentenreaktion mit interpretierbarer maschineller Lerninnovation zur Entwicklung einer chemischen Bibliothek für die Arzneimittelentdeckung.

Das maschinelle Lernen wurde in den chemischen Wissenschaften für die Entwicklung von Arzneimitteln und anderen Prozessen umfassend eingesetzt.

Die Modelle, die prospektiv auf neue Reaktionsergebnisse getestet und zur Verbesserung des menschlichen Verständnisses zur Interpretation der von solchen Modellen getroffenen Entscheidungen über die chemische Reaktivität verwendet werden, sind äußerst begrenzt.

Die Innovatoren der Purdue University haben Flussdiagramme zur chemischen Reaktivität eingeführt, um Chemiker bei der Interpretation von Reaktionsergebnissen zu unterstützen, wobei statistisch robuste Modelle des maschinellen Lernens verwendet werden, die an einer kleinen Anzahl von Reaktionen trainiert wurden. Die Arbeit wird in Organic Letters veröffentlicht.

“Die Entwicklung neuer und schneller Reaktionen ist für die Gestaltung chemischer Bibliotheken in der Arzneimittelentwicklung von wesentlicher Bedeutung”, sagte Gaurav Chopra, ein Assistenzprofessor für analytische und physikalische Chemie am Purdue College of Science. “Wir haben eine neue, schnelle und Eintopf-Mehrkomponentenreaktion (MCR) von N-Sulfonyliminen entwickelt, die als repräsentativer Fall für die Erzeugung von Trainingsdaten für maschinelle Lernmodelle, die Vorhersage von Reaktionsergebnissen und das blinde prospektive Testen neuer Reaktionen verwendet wurde.

“Wir gehen davon aus, dass diese Arbeit den Weg für einen Paradigmenwechsel ebnen wird, indem genaue, für den Menschen verständliche maschinelle Lernmodelle zur Interpretation von Reaktionsergebnissen entwickelt werden, die die Kreativität und Effizienz menschlicher Chemiker bei der Entdeckung neuer chemischer Reaktionen und bei der Verbesserung organischer und prozesschemischer Pipelines steigern werden.

Chopra sagte, dass der vom Menschen interpretierbare maschinelle Lernansatz des Purdue-Teams, der als chemische Reaktivitäts-Flussdiagramme eingeführt wurde, erweitert werden kann, um die Reaktivität jeder MCR oder jeder chemischen Reaktion zu erforschen. Es ist keine groß angelegte Robotik erforderlich, da diese Methoden von den Chemikern während des Reaktionsscreenings in ihren Labors eingesetzt werden können.

“Wir liefern den ersten Bericht über ein Rahmenwerk, das schnelle synthetisch-chemische Experimente und quantenchemische Berechnungen zum Verständnis von Reaktionsmechanismen und statistisch robuste, vom Menschen interpretierbare Modelle des maschinellen Lernens kombiniert, um chemische Muster zur Vorhersage und zum experimentellen Testen der heterogenen Reaktivität von N-Sulfonyliminen zu identifizieren”, sagte Chopra.

Diese Arbeit steht im Einklang mit anderen Innovationen und Forschungsarbeiten aus Chopras Laboratorien, deren Teammitglieder mit dem Office of Technology Commercialization der Purdue Research Foundation zusammenarbeiten, um zahlreiche Technologien zu patentieren.

“Der beispiellose Einsatz eines maschinellen Lernmodells bei der Erstellung von Flussdiagrammen der chemischen Reaktivität hat uns geholfen, die Reaktivität der traditionell verwendeten verschiedenen N-Sulfonylimine in MCRs zu verstehen”, sagte Krupal Jethava, ein Postdoktorand in Chopras Laboratorium, der die Arbeit mitverfasst hat. “Wir glauben, dass die Zusammenarbeit von Hand zu Hand mit organischen und computergestützten Chemikern einen neuen Weg zur Lösung komplexer chemischer Reaktivitätsprobleme für andere Reaktionen in der Zukunft eröffnen wird.

Chopra sagte, dass die Purdue-Forscher hoffen, dass ihre Arbeit den Weg ebnen wird, um eines von vielen Beispielen zu werden, die in der Zukunft die Leistungsfähigkeit des maschinellen Lernens für die Entwicklung neuer synthetischer Methoden für die Entwicklung von Medikamenten und darüber hinaus demonstrieren werden.

“Bei dieser Arbeit haben wir uns bemüht, sicherzustellen, dass unser Modell des maschinellen Lernens auch von Chemikern, die sich auf diesem Gebiet nicht gut auskennen, leicht verstanden werden kann”, sagte Jonathan Fine, ein ehemaliger Purdue-Absolvent, der die Arbeit mitverfasst hat. “Wir glauben, dass diese Modelle nicht nur in der Lage sind, Reaktionen vorherzusagen, sondern dass sie auch dazu dienen, besser zu verstehen, wann eine bestimmte Reaktion eintreten wird. Um dies zu demonstrieren, haben wir unser Modell verwendet, um zusätzliche Substrate anzuleiten und zu testen, ob eine Reaktion auftreten wird.

Referenz: “Accelerated Reactivity Mechanism and Interpreable Machine Learning Model of N-Sulfonylimines towards Fast Multicomponent Reactions” von Krupal P. Jethava, Jonathan Fine, Yingqi Chen, Ahad Hossain und Gaurav Chopra, 19. Oktober 2020, Organische Briefe.
DOI: 10.1021/acs.orglett.0c03083

Über die Purdue Research Foundation Büro für Technologiekommerzialisierung

Das Büro für Technologiekommerzialisierung der Purdue Research Foundation betreibt eines der umfassendsten Technologietransferprogramme unter den führenden Forschungsuniversitäten in den USA. Die von diesem Büro angebotenen Dienstleistungen unterstützen die wirtschaftlichen Entwicklungsinitiativen der Purdue University und kommen den akademischen Aktivitäten der Universität durch Kommerzialisierung, Lizenzierung und Schutz des geistigen Eigentums von Purdue zugute. Das Büro ist vor kurzem in das Convergence Center for Innovation and Collaboration im Discovery Park District, das an den Purdue Campus angrenzt, umgezogen. Im Finanzjahr 2020 meldete das Büro 148 abgeschlossene Geschäfte mit 225 unterzeichneten Technologien, 408 eingegangenen Offenlegungen und 180 erteilten US-Patenten. Das Büro wird von der Purdue Research Foundation verwaltet, die 2019 von der Association of Public and Land-grant Universities mit dem Preis für Innovation und wirtschaftlichen Wohlstand der Universitäten ausgezeichnet wurde. Im Jahr 2020 platzierte das IPWatchdog Institute Purdue landesweit an dritter Stelle bei der Gründung von Start-ups und unter den Top 20 für Patente. Das Purdue

Share.

Leave A Reply