97889 64456 72312 47532 85224 72311 99738 05314 18822 88877 83701 91188 72106 98803 83485 70762 67561 00923 55229 06479 57972 59061 74949 93171 14807 03728 86417 14924 55271 76483 09709 80826 48003 69756 41326 33857 90179 16007 50123 74390 32549 30315 44217 63317 75601 80709 41762 62320 18455 61834 28274 17965 11564 40730 97515 38882 00045 18375 34435 87730 65633 86354 42635 03181 37624 00288 29224 98754 64198 42645 13159 80277 57942 84214 09885 11406 37363 27238 16160 82824 82750 03902 45252 98749 86602 85405 74120 11069 70749 63642 54482 33973 81058 25338 11638 53184 38067 75862 58160 05931 81160 94118 63131 11678 37627 13358 15577 41533 20376 02073 54475 97260 40548 91470 84971 47067 00960 20371 54295 32383 70544 08125 72446 96640 07075 16165 30869 08344 20223 85830 11652 84248 58240 18720 83640 74865 63798 26432 11368 91553 98930 40390 63732 07578 52004 83379 91665 87295 27594 70342 33614 00445 56766 74846 32119 67664 51801 34739 44392 32414 80290 43295 50949 32938 59188 82226 64963 12065 07486 96473 17151 41690 05059 80565 72757 89563 68610 87113 78719 74762 26213 13426 23716 54025 70952 73308 30338 98371 80443 39662 15506 33308 53719 47268 57523 71539 98084 43052 68615 92226 35372 86296 82533 08533 12606 77475 19780 50069 42332 94775 84463 97795 86712 89454 36026 27730 87899 25252 69813 38682 Maschinelles Lernen und KI helfen dabei, die molekulare Selektivität chemischer Reaktionen vorherzusagen – MJRBJC
Maschinelles Lernen und KI helfen dabei, die Ergebnisse chemischer Reaktionen vorherzusagen

Eine Webanwendung, die von experimentellen Chemikern verwendet wird, um eine mit kommerziell erhältlicher Software berechnete Datei hochzuladen, damit der elektronische Zustand analysiert werden kann. Forscher arbeiten daran, eine Plattform zu schaffen, die es Chemikern auf der ganzen Welt ermöglicht, ihre eigenen Reaktionssysteme zu analysieren. Bildnachweis: Yokohama National University

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.

Mehr Informationen:
Daimon Sakaguchi et al., Verwendung dreidimensionaler Informationen zur Vorhersage und Interpretation der Gesichtsselektivität nukleophiler Additionen an zyklische Ketone, Zeitschrift für chemische Information und Modellierung (2024). DOI: 10.1021/acs.jcim.4c00101

Zur Verfügung gestellt von der Yokohama National University

Zitat: Maschinelles Lernen und KI helfen bei der Vorhersage der molekularen Selektivität chemischer Reaktionen (13. Mai 2024), abgerufen am 13. Mai 2024 von https://phys.org/news/2024-05-machine-ai-aid-molecular -chemical.html

Dieses Dokument unterliegt dem Urheberrecht. Mit Ausnahme der fairen Nutzung für private Studien- oder Forschungszwecke darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient lediglich der Information.

By rb8jg

Leave a Reply

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

Failed to fetch data from the URL.