El aprendizaje automático se ha utilizado ampliamente en las ciencias químicas para el diseño de fármacos y otros procesos.

Los modelos que se prueban prospectivamente para obtener nuevos resultados de reacción y se utilizan para mejorar la comprensión humana para interpretar las decisiones de reactividad química tomadas por dichos modelos son extremadamente limitados.

Los innovadores de la Universidad de Purdue han introducido diagramas de flujo de reactividad química para ayudar a los químicos a interpretar los resultados de las reacciones utilizando modelos de aprendizaje automático estadísticamente sólidos entrenados en una pequeña cantidad de reacciones. El trabajo está publicado en Letras orgánicas .

"El desarrollo de reacciones nuevas y rápidas es esencial para el diseño de bibliotecas químicas en el descubrimiento de fármacos, "dijo Gaurav Chopra, profesor asistente de química analítica y física en la Facultad de Ciencias de Purdue. "Hemos desarrollado un nuevo reacción multicomponente (MCR) rápida y en un solo recipiente de N-sulfoniliminas que se utilizó como un caso representativo para generar datos de entrenamiento para modelos de aprendizaje automático, predecir los resultados de las reacciones y probar nuevas reacciones de una manera prospectiva ciega.

"Esperamos que este trabajo allane el camino para cambiar el paradigma actual mediante el desarrollo de modelos de aprendizaje automático comprensibles para los humanos para interpretar los resultados de las reacciones que aumentarán la creatividad y la eficiencia de los químicos humanos para descubrir nuevas reacciones químicas y mejorar las tuberías de química orgánica y de procesos ".

Chopra dijo que el enfoque de aprendizaje automático interpretable por humanos del equipo de Purdue, introducido como diagramas de flujo de reactividad química, se puede ampliar para explorar la reactividad de cualquier MCR o cualquier reacción química. No necesita robótica a gran escala, ya que estos métodos pueden ser utilizados por los químicos mientras realizan el cribado de reacciones en sus laboratorios.

"Proporcionamos el primer informe de un marco para combinar experimentos de química sintética rápida y cálculos químicos cuánticos para comprender el mecanismo de reacción y modelos de aprendizaje automático estadísticamente robustos e interpretables por humanos para identificar patrones químicos para predecir y probar experimentalmente la reactividad heterogénea de N-sulfoniliminas, "Dijo Chopra.

"El uso sin precedentes de un modelo de aprendizaje automático para generar diagramas de flujo de reactividad química nos ayudó a comprender la reactividad de las diferentes N-sulfoniliminas utilizadas tradicionalmente en los MCR, "dijo Krupal Jethava, un becario postdoctoral en el laboratorio de Chopra, quien fue coautor del trabajo. "Creemos que trabajar mano a mano con químicos orgánicos y computacionales abrirá una nueva vía para resolver problemas complejos de reactividad química para otras reacciones en el futuro".

Chopra dijo que los investigadores de Purdue esperan que su trabajo allane el camino para convertirse en uno de los muchos ejemplos que mostrarán el poder del aprendizaje automático para el desarrollo de una nueva metodología sintética para el diseño de fármacos y más allá en el futuro.

"En este trabajo, Nos esforzamos por garantizar que nuestro modelo de aprendizaje automático pueda ser comprendido fácilmente por químicos que no están bien versados ​​en este campo. "dijo Jonathan Fine, un ex estudiante de posgrado de Purdue, quien fue coautor del trabajo. "Creemos que estos modelos tienen la capacidad no solo para predecir reacciones, sino también para comprender mejor cuándo ocurrirá una reacción determinada. Para demostrar esto, utilizamos nuestro modelo para guiar sustratos adicionales para probar si ocurrirá una reacción ".