En los años pasados, Los investigadores han recurrido cada vez más a técnicas de ciencia de datos para ayudar a resolver problemas en síntesis orgánica.

Investigadores en el laboratorio de Abigail Doyle, Profesor de Química A. Barton Hepburn de Princeton, colaboró ​​con el profesor de Ciencias de la Computación Ryan Adams para desarrollar software de código abierto que les proporciona un algoritmo de optimización de vanguardia para usar en el trabajo diario, incorporar lo aprendido en el campo del aprendizaje automático en química sintética.

El software adapta los principios clave de la optimización bayesiana para permitir síntesis de sustancias químicas más rápidas y eficientes.

Basado en el teorema de Bayes, una fórmula matemática para determinar la probabilidad condicional, La optimización bayesiana es una estrategia ampliamente utilizada en las ciencias. Definido en forma amplia, permite que las personas y las computadoras utilicen conocimientos previos para informar y optimizar decisiones futuras.

Los químicos en el laboratorio de Doyle, en colaboración con Adams, profesor de informática, y colegas de Bristol-Myers Squibb, comparó las capacidades de toma de decisiones humanas con el paquete de software. Descubrieron que la herramienta de optimización produce tanto una mayor eficiencia sobre los participantes humanos como menos sesgos en una reacción de prueba. Su trabajo aparece en el número actual de la revista. Naturaleza .

"La optimización de la reacción es omnipresente en la síntesis química, tanto en el ámbito académico como en la industria química, ", dijo Doyle." Dado que el espacio químico es tan grande, es imposible para los químicos evaluar la totalidad de un espacio de reacción experimentalmente. Queríamos desarrollar y evaluar la optimización bayesiana como una herramienta para la química sintética dado su éxito para los problemas de optimización relacionados en las ciencias ".

Benjamin Shields, ex becario postdoctoral en el laboratorio Doyle y autor principal del artículo, creó el paquete Python.

"Vengo de experiencia en química sintética, por lo que definitivamente aprecio que los químicos sintéticos sean bastante buenos para abordar estos problemas por sí mismos, ", dijo Shields." Creo que la verdadera fuerza de la optimización bayesiana es que nos permite modelar estos problemas de alta dimensión y capturar tendencias que tal vez no veamos nosotros mismos en los datos. para que pueda procesar los datos mucho mejor.

"Y dos, dentro de un espacio, no será reprimido por los prejuicios de un químico humano, "añadió.

Cómo funciona

El software comenzó como un proyecto fuera de campo para cumplir con los requisitos de doctorado de Shields. Doyle y Shield luego formaron un equipo bajo el Centro de Síntesis Asistida por Computadora (C-CAS), una iniciativa de la National Science Foundation lanzada en cinco universidades para transformar la forma en que se planifica y ejecuta la síntesis de moléculas orgánicas complejas. Doyle ha sido investigador principal de C-CAS desde 2019.

"La optimización de la reacción puede ser un proceso costoso y que requiere mucho tiempo, "dijo Adams, quien también es el director del Programa de Estadística y Aprendizaje Automático. "Este enfoque no solo lo acelera mediante el uso de técnicas de vanguardia, pero también encuentra mejores soluciones de las que los humanos normalmente identificarían. Creo que esto es solo el comienzo de lo que es posible con la optimización bayesiana en este espacio ".

Los usuarios comienzan por definir un espacio de búsqueda (experimentos plausibles a considerar) como una lista de catalizadores, reactivos, ligandos, solventes, temperaturas y concentraciones. Una vez que ese espacio está preparado y el usuario define cuántos experimentos ejecutar, el software elige las condiciones experimentales iniciales a evaluar. Luego sugiere nuevos experimentos para ejecutar, iterando a través de un elenco de opciones cada vez más pequeño hasta que la reacción se optimiza.

"Al diseñar el software, Traté de incluir formas para que las personas inyectaran lo que saben sobre una reacción, ", dijo Shields." No importa cómo use esto o el aprendizaje automático en general, siempre habrá un caso en el que la experiencia humana sea valiosa ".

Se puede acceder al software y ejemplos para su uso en este repositorio. Los enlaces de GitHub están disponibles para lo siguiente:software que representa los productos químicos en evaluación en un formato legible por máquina a través de la teoría de densidad funcional; software para la optimización de reacciones; y el juego que recopila la toma de decisiones de los químicos sobre la optimización de la reacción de prueba.

"Optimización de la reacción bayesiana como herramienta para la síntesis química, "por Benjamin J. Shields, Jason Stevens, Jun Li, Marvin Parasram, Farhan Damani, Jesús I. Martínez Alvarado, Jacob M. Janey, Ryan P. Adams y Abigail G. Doyle, aparece en la edición del 3 de febrero de la revista Naturaleza .