La química es más que mezclar el compuesto A con el compuesto B para hacer el compuesto C. Hay catalizadores que afectan la velocidad de reacción, así como las condiciones físicas de la reacción y cualquier paso intermedio que conduzca al producto final. Si está intentando hacer un nuevo proceso químico para, decir, investigación farmacéutica o de materiales, necesita encontrar lo mejor de cada una de estas variables. Es un proceso de prueba y error que requiere mucho tiempo.

O, por lo menos, era.

En una nueva publicación en Naturaleza , Los químicos de la Universidad de Utah, Jolene Reid y Matthew Sigman, muestran cómo el análisis de los datos de reacciones químicas publicados anteriormente puede predecir cómo pueden proceder las reacciones hipotéticas. reduciendo la gama de condiciones que los químicos necesitan explorar. Su proceso de predicción algorítmica, que incluye aspectos del aprendizaje automático, puede ahorrar tiempo y recursos valiosos en la investigación química.

"Intentamos encontrar la mejor combinación de parámetros, "Dice Reid." Una vez que tenemos eso, podemos ajustar las características de cualquier reacción y predecir realmente cómo ese ajuste la afectará ".

Prueba y error

Previamente, químicos que querían llevar a cabo una reacción que no se había probado antes, como una reacción para unir una molécula pequeña en particular a un punto particular en una molécula más grande, abordó el problema buscando una reacción similar e imitando las mismas condiciones.

"Casi siempre, Al menos en mi experiencia, no funciona bien "Dice Sigman." Entonces cambias sistemáticamente las condiciones ".

Pero con varias variables en cada reacción (Sigman estima entre siete y diez en una reacción farmacéutica típica), el número de posibles combinaciones de condiciones se vuelve abrumador. "No puede cubrir todo este espacio variable con ningún tipo de operación de alto rendimiento, "Dice Sigman." Estamos hablando de miles de millones de posibilidades ".

Estrechando el campo

Entonces, Sigman y Reid buscaron una forma de reducir el enfoque a un rango de condiciones más manejable. Por su reacción de prueba, observaron reacciones que involucran moléculas con imágenes especulares opuestas entre sí (de la misma manera que sus manos derecha e izquierda son imágenes especulares entre sí) y que seleccionan más para una configuración que para otra. Tal reacción se llama "enantioselectiva, "y el laboratorio de Sigman estudia los tipos de catalizadores involucrados en reacciones enantioselectivas.

Reid recopiló informes científicos publicados de 367 formas de reacciones que involucran iminas, que tienen una base de nitrógeno, y utilizó algoritmos de aprendizaje automático para correlacionar las características de las reacciones con su selectividad para las dos formas diferentes de iminas. Los algoritmos analizaron los catalizadores de las reacciones, disolventes y reactivos, y construyó relaciones matemáticas entre esas propiedades y la reacción final de forma selectiva.

"Hay un patrón oculto debajo de la superficie de por qué funciona y no funciona con esta condición, este catalizador, este sustrato, etcétera, "Dice Sigman.

"La clave de nuestro éxito es que utilizamos información de muchas reacciones, "Agrega Reid.

Aliviar el dolor

¿Qué tan bien funciona su modelo predictivo? Predijo con éxito los resultados de 15 reacciones que involucraban un reactivo que no estaba en el conjunto original, y los resultados de 13 reacciones en las que tanto el tipo de reactivo como el de catalizador no estaban en el conjunto original. Finalmente, Reid y Sigman observaron un estudio reciente que realizó 2, 150 experimentos para encontrar las condiciones óptimas de 34 reacciones. Sin ensuciar un solo vaso de precipitados, El modelo de Reid y Sigman llegó a los mismos resultados y al mismo catalizador óptimo.

Reid espera aplicar el modelo para predecir reacciones que involucran grandes, moléculas complejas. "A menudo, descubre que las nuevas metodologías no están adaptadas a sistemas complejos, ", dice." Posiblemente podríamos hacer eso ahora al predecir de antemano el mejor tipo de catalizador ".

Sigman agrega que los modelos predictivos pueden reducir las barreras para el desarrollo de nuevos fármacos.

"La industria farmacéutica no quiere invertir dinero en algo que no sabe si va a funcionar, ", dice." Entonces, si tiene un algoritmo que sugiere que tiene una alta probabilidad de funcionar, alivias el dolor ".

Después de la publicación, encuentra el estudio completo aquí.