Los investigadores han diseñado un algoritmo de aprendizaje automático que predice el resultado de las reacciones químicas con mucha mayor precisión que los químicos capacitados y sugiere formas de producir moléculas complejas. eliminando un obstáculo importante en el descubrimiento de fármacos.

Investigadores de la Universidad de Cambridge han demostrado que un algoritmo puede predecir los resultados de reacciones químicas complejas con más del 90% de precisión. superando a los químicos capacitados. El algoritmo también muestra a los químicos cómo hacer compuestos objetivo, proporcionando el "mapa" químico al destino deseado. Los resultados se informan en dos estudios en las revistas Ciencia Central ACS y Comunicaciones químicas .

Un desafío central en el descubrimiento de fármacos y la ciencia de los materiales es encontrar formas de hacer moléculas orgánicas complicadas uniendo químicamente bloques de construcción más simples. El problema es que esos componentes básicos a menudo reaccionan de manera inesperada.

"La fabricación de moléculas se describe a menudo como un arte realizado con experimentación de prueba y error porque nuestra comprensión de la reactividad química está lejos de ser completa, "dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, quien dirigió los estudios. "Los algoritmos de aprendizaje automático pueden tener una mejor comprensión de la química porque destilan patrones de reactividad de millones de reacciones químicas publicadas, algo que un químico no puede hacer ".

El algoritmo desarrollado por Lee y su grupo utiliza herramientas en el reconocimiento de patrones para reconocer cómo reaccionan los grupos químicos en las moléculas. entrenando el modelo en millones de reacciones publicadas en patentes.

Los investigadores consideraron la predicción de reacciones químicas como un problema de traducción automática. Las moléculas que reaccionan se consideran como un solo idioma, mientras que el producto se considera un idioma diferente. Luego, el modelo usa los patrones en el texto para aprender a traducir entre los dos idiomas.

Usando este enfoque, el modelo alcanza el 90% de precisión en la predicción del producto correcto de reacciones químicas invisibles, mientras que la precisión de los químicos humanos capacitados es de alrededor del 80%. Los investigadores dicen que el modelo es lo suficientemente preciso como para detectar errores en los datos y predecir correctamente una gran cantidad de reacciones difíciles.

El modelo también sabe lo que no sabe. Produce una puntuación de incertidumbre, que elimina las predicciones incorrectas con un 89% de precisión. Como los experimentos requieren mucho tiempo, La predicción precisa es crucial para evitar seguir costosas vías experimentales que eventualmente terminan en fallas.

En el segundo estudio, Lee y su grupo, colaborando con la empresa biofarmacéutica Pfizer, demostró el potencial práctico del método en el descubrimiento de fármacos.

Los investigadores demostraron que cuando se capacita en investigaciones químicas publicadas, el modelo puede hacer predicciones precisas de reacciones basadas en cuadernos de laboratorio, mostrando que el modelo ha aprendido las reglas de la química y puede aplicarlo en entornos de descubrimiento de fármacos.

El equipo también demostró que el modelo puede predecir secuencias de reacciones que conducirían a un producto deseado. Aplicaron esta metodología a diversas moléculas similares a fármacos, mostrando que los pasos que predice son químicamente razonables. Esta tecnología puede reducir significativamente el tiempo de descubrimiento de fármacos preclínicos porque proporciona a los químicos médicos un plan de por dónde empezar.

"Nuestra plataforma es como un GPS para la química, "dijo Lee, quien también es investigador en St Catharine's College. "Informa a los químicos si una reacción es correcta o no, y cómo navegar por las rutas de reacción para hacer una nueva molécula ".

Los investigadores de Cambridge están utilizando actualmente esta tecnología de predicción de reacciones para desarrollar una plataforma completa que une el ciclo de diseño-fabricación-prueba en el descubrimiento de fármacos y el descubrimiento de materiales:prediciendo moléculas bioactivas prometedoras, formas de hacer esas complejas moléculas orgánicas, y seleccionar los experimentos que sean más informativos. Los investigadores ahora están trabajando para extraer conocimientos químicos del modelo, tratando de comprender lo que ha aprendido que los humanos no han aprendido.

"Potencialmente podemos hacer mucho progreso en química si aprendemos qué tipo de patrones está observando el modelo para hacer una predicción, "dijo Peter Bolgar, un doctorado estudiante de química orgánica sintética involucrado en ambos estudios. "El modelo y los químicos humanos juntos se volverían extremadamente poderosos en el diseño de experimentos, más de lo que sería sin el otro ".