Maschinelles Lernen und KI helfen dabei, die molekulare Selektivität chemischer Reaktionen vorherzusagen

Es gibt mittlerweile nur noch wenige Probleme, bei deren Lösung KI und maschinelles Lernen nicht helfen können. Forscher der Yokohama National University nutzen diesen modernen Vorteil, um zu lösen, was herkömmliche Methoden nicht lösen können.

Bei der Wechselwirkung kohlenstoffhaltiger (oder organischer) Moleküle sind viele Regeln zu beachten: die Positionierung der Gruppen auf dem Molekül, die mit seiner Umgebung interagieren, die Größe, Form und Position des Moleküls sowie das Molekül, mit dem es interagiert . Das Ergebnis einer bestimmten Reaktion kann abhängig von diesen und anderen Faktoren sehr unterschiedlich sein, und die Vorhersage dieser Ergebnisse hat sich in der Chemie als echte Herausforderung erwiesen. Die Kontrolle des Ergebnisses ist ein wesentlicher Bestandteil der chemischen Synthese, aber Vorhersagen reichen nicht immer aus.

Glücklicherweise können maschinelles Lernen und künstliche Intelligenz (KI) erneut dazu beitragen, den Fortschritt voranzutreiben, indem sie die Geschwindigkeit oder Selektivität einer bestimmten Reaktion vorhersagen. Daher kann diese Technologie hilfreich sein, um vorherzusagen, welches Produkt zu erwarten ist.

Die Forscher veröffentlichten ihre Ergebnisse im Zeitschrift für chemische Information und Modellierung.

In der organischen Chemie zählt jedes Detail. Zwei gemeinsame Bereiche, die die Art und Weise beeinflussen können, wie ein Molekül mit anderen Molekülen interagiert, sind Sterik und Orbitale. Sterik bezieht sich auf die Anordnung von Molekülen, und sterische Effekte können die Form und Reaktivität des Moleküls bestimmen. Dies kann an der Größe oder Ladung des einzelnen Moleküls oder Atoms liegen. Orbitale sind eine Möglichkeit, die wahrscheinlichste Position von Elektronen zu erklären, die wiederum mit anderen Molekülen oder Atomen interagieren und Reaktionen auslösen können.

Diese Faktoren können sich dramatisch ändern, wenn ein Nukleophil oder ein elektronenspendendes Reagenz an das Empfängermolekül binden kann. Dies wird als „Selektivität“ bezeichnet und je nachdem, wo sich das Molekül anlagert, können unterschiedliche Produkte oder Ausbeuten des gewünschten Produkts entstehen. Forscher nutzen KI und maschinelles Lernen zusammen mit aktuellem Wissen über chemische Reaktionen, um diese Aspekte der molekularen Selektivität besser zu erklären.

„Um zu bestimmen, welche Informationen als wesentliche chemische Informationen zur Bereitstellung für die KI verwendet werden können, ist es notwendig, chemisches Wissen mit dem der KI und maschinellem Lernen zu kombinieren“, sagte korrespondierender Autor Hiroaki Gotoh, außerordentlicher Professor an der Yokohama Faculty of Engineering. Nationaluniversität.

Zunächst musste der Computer Informationen erhalten, aus denen er lernen konnte. Erkenntnisse aus der Computerchemie-Literatur und Erkenntnisse aus früheren Studien wurden genutzt, um den KI-Lehrprozess zu starten. Nach der manuellen Dateneingabe für die spezifischen verwendeten Moleküle und der Definition optimaler Parameter wurden Datenanalysen basierend auf den vorhergesagten Ergebnissen des Testdatensatzes durchgeführt. Diese Analysen ermöglichen es der KI, anhand bereits bekannter Informationen zukünftige Selektivitäten zu erlernen und vorherzusagen.

„Diese Methode ermöglicht eine umfassendere Analyse und Interpretation von Reaktionsmechanismen durch Berechnung von sphärischen Lückenparametern, die den Nukleophilen-Ansatz nachahmen“, sagte Daimon Sakaguchi, Erstautor der Studie am Department of Chemistry and Science der Yokohama National University .

Die Studie konnte erfolgreich die Selektivität der Reaktion von acht Nukleophilen erklären, je nachdem, welche „Seite“ des Moleküls die gewünschte Produktmenge produzieren würde. Die Selektivität ändert sich zusätzlich zu seinen Orbitalfaktoren abhängig von der Sterik des Moleküls. Die Forscher fanden heraus, dass bei einigen Molekülen der Orbitalfaktor für die Bestimmung der Flächenselektivität wichtiger ist, während andere stärker von der Sterik des Moleküls abhängen, wenn es mit seinem Nukleophil interagiert.

Die Kombination von Vorhersagetechnologie und maschinellem Lernen mit etabliertem Chemiewissen kann zu besseren Ergebnissen chemischer Reaktionen führen und Chemikern dabei helfen, Naturstoffe und pharmazeutische Chemikalien effizienter zu synthetisieren.

Durch die Optimierung dieses Prozesses durch den Einsatz von maschinellem Lernen und künstlicher Intelligenz können mehr Experimente durchgeführt werden. Im Idealfall hoffen die Forscher, mit Experimentalchemikern zusammenzuarbeiten, um Reaktionen zu entwerfen, die mit der Entwicklung prädiktiverer Technologien für chemische Reaktionen fortfahren.