Машинне навчання може полегшити виробництво нових ліків
Передбачення реакцій
Змішування хімічних речовин в лабораторії не так просто, як на телевізорі. Дослідники не можуть просто розлити все в одній склянці і сподіватися на краще. Розробка нової хімічної сполуки - наприклад, нового лікарського засобу або лікарського засобу - з максимально можливим урожаєм вимагає оптимальної комбінації хімічних речовин.
У той час як пошук ідеальної суміші - непросте завдання, штучний інтелект (AI), розроблений дослідниками з Прінстонського університету і дослідницьких лабораторій Merck, може допомогти. Згідно з дослідженням, опублікованим в журналі Science, алгоритм машинного навчання команди може точно прогнозувати вихід хімічних реакцій.
«Багато з цих алгоритмів машинного навчання існують досить довгий час», - сказав дослідник Прінстона Хесус Естрада в прес-релізі. «Однак в рамках спільноти синтетичної органічної хімії ми дійсно не використали захоплюючі можливості, які пропонує машинне навчання».
Хіміки зазвичай змінюють одну змінну одночасно при аналізі результатів різних реакцій. Таким чином, алгоритм команди, який може прогнозувати результати після зміни чотирьох різних компонентів одночасно, являє собою великий стрибок вперед.
Удосконалення машинного навчання
Одним з найбільших перешкод для багатовимірних моделей, такого, що використовує новий ІІ, є обчислення «дескриптора» для кожного окремого хімічного речовини. Дескриптор - це вхідний значення, яке представляє інформацію про кожного хімічну речовину - скільки у нього має відношення, його молекулярна вага, то, що він виглядає геометрично, щоб назвати кілька - і обчислення кожного дескриптора дуже трудомістка.
Дослідники знали, що обчислення кожного дескриптора один за іншим було б недоцільним для великої кількості хімічних комбінацій, які вони хотіли використовувати. Тому вони використовували код, заснований на існуючій програмі Spartan, для обчислення і вилучення дескрипторів для кожної хімічної речовини.
При наявності дескрипторів, дослідники потім тестували їх з різними моделями. Вони зупинилися на програмі машинного навчання, яка використовує так звану «випадкову лісову» модель, яка працювала з використанням випадкових вибірок з невеликого набору даних для побудови дерева рішень. Усереднюючи результати прибутковості для даної реакції, передбаченої кожним деревом, модель має загальний прогноз врожайності.
Крім того, випадкові лісу, точно передбачені реакції, дають результати тільки сотнею реакцій, пояснив дослідник Дерек Аннеман. Це може навіть передбачити врожайність для хімічних сполук, які з самого початку не були включені в навчальний комплект.
Коротше кажучи, алгоритм машинного навчання міг обробляти дані, які не могли зробити звичайні хіміки.
Дослідники сподіваються, що їх алгоритм може спростити процес отримання синтетичних сполук, особливо при розробці нових ліків. Щоб допомогти іншим хімікам, вони зробили програмне забезпечення доступним для інших лабораторій. «Програмне забезпечення, яке ми розробили, може працювати для будь-якої реакції, будь-якого субстрату», - йдеться в заяві Абігайль Дойл, професора хімії в Університеті Прінстонського університету ім. А. Бартона Хепберна.
За словами Дойла, величезні ресурси і час витрачаються на синтетичні молекули, часто в значній мірі ad hoc. Цей ІІ міг би змінити це. Використовуючи це нове програмне забезпечення, хіміки могли ідентифікувати високоврожайні комбінації хімічних речовин і субстратів дешевше і ефективніше, ніж будь-коли раніше.
Джерела: Phys, Science, Princeton University
