Или, по крайней мере, это было.
В новой публикации в журнале Nature химики из Университета Юты Джолин Рид и Мэтью Сигман показывают, как анализ ранее опубликованных данных о химических реакциях может предсказать, как могут протекать гипотетические реакции, сужая диапазон условий, которые необходимо исследовать химикам. Их процесс алгоритмического прогнозирования, который включает в себя аспекты машинного обучения, может сэкономить драгоценное время и ресурсы в химических исследованиях.
«Мы стараемся найти наилучшее сочетание параметров», – говорит Рид. "Как только мы получим это, мы сможем настроить характеристики любой реакции и фактически предсказать, как эта корректировка повлияет на нее."
Методом проб и ошибок
Раньше химики, которые хотели провести реакцию, которую раньше не пробовали, например реакцию присоединения определенной небольшой молекулы к определенному месту на более крупной молекуле, подходили к проблеме, просматривая аналогичную реакцию и имитируя ее. условия.
«Почти каждый раз, по крайней мере, по моему опыту, это не срабатывает», – говорит Сигман. "Итак, вы систематически меняете условия."
Но с несколькими переменными в каждой реакции – по оценке Сигмана, от семи до десяти в типичной фармацевтической реакции – количество возможных комбинаций условий становится огромным. «Вы не можете покрыть все это пространство переменных никакими высокопроизводительными операциями», – говорит Сигман. "Мы говорим о миллиардах возможностей."
Сужая поле
Итак, Сигман и Рид искали способ сузить фокус до более управляемого диапазона условий.
Для своей тестовой реакции они смотрели на реакции, в которых участвуют молекулы с противоположным зеркальным отображением друг друга (точно так же, как ваша правая и левая руки являются зеркальным отображением друг друга) и которые выбирают больше для одной конфигурации, чем для другой. Такая реакция называется «энантиоселективной», и лаборатория Зигмана изучает типы катализаторов, участвующих в энантиоселективных реакциях.
Рейд собрал опубликованные научные отчеты о 367 формах реакций с участием иминов, содержащих азотистое основание, и использовал алгоритмы машинного обучения, чтобы сопоставить особенности реакций с их селективностью для двух различных форм иминов.
Алгоритмы смотрели на катализаторы реакций, растворители и реагенты и строили математические отношения между этими свойствами и конечной селективностью реакции.
«Под поверхностью скрывается закономерность того, почему он работает и не работает с этим условием, этим катализатором, этой подложкой и так далее», – говорит Сигман.
«Ключ к нашему успеху в том, что мы используем информацию из многих реакций», – добавляет Рид.
Облегчение боли
Насколько хорошо работает их прогностическая модель? Он успешно предсказал результаты 15 реакций с участием одного реагента, которого не было в исходном наборе, и результаты 13 реакций, в которых и реагент, и тип катализатора не были в исходном наборе. Наконец, Рид и Сигман рассмотрели недавнее исследование, в котором было проведено 2150 экспериментов, чтобы найти оптимальные условия для 34 реакций.
Не загрязняя ни одной мензурки, модель Рида и Сигмана дала те же результаты и один и тот же оптимальный катализатор.
Рид надеется применить эту модель для предсказания реакций с участием больших и сложных молекул. «Часто вы обнаруживаете, что новые методологии не приспособлены к сложным системам», – говорит она. "Возможно, мы могли бы сделать это сейчас, заранее предсказав лучший тип катализатора."
Сигман добавляет, что прогностические модели могут снизить барьеры на пути к разработке новых лекарств.
«Фармацевтическая промышленность не хочет вкладывать деньги в то, о чем они не знают, сработает ли это», – говорит он. "Итак, если у вас есть алгоритм, который предполагает, что это с высокой вероятностью сработает, вы облегчите боль."