Oggi sono pochi i problemi che l’intelligenza artificiale e l’apprendimento automatico non possono aiutare a superare. I ricercatori dell'Università Nazionale di Yokohama stanno sfruttando questo vantaggio moderno per risolvere ciò che i metodi convenzionali non possono risolvere.
Ci sono molte regole da ricordare quando si tratta dell'interazione delle molecole contenenti carbonio (o organiche):il posizionamento dei gruppi sulla molecola che interagiscono con il suo ambiente, la dimensione, la forma e la posizione della molecola e la molecola con cui sta interagendo. Il risultato di una determinata reazione può essere molto diverso a seconda di questi e molti altri fattori, e prevedere questi risultati si è rivelato una vera sfida nel campo chimico. Controllare il risultato è una componente estremamente necessaria della sintesi chimica, ma le previsioni non sono sempre sufficienti.
Fortunatamente, l’apprendimento automatico e l’intelligenza artificiale (AI) possono ancora una volta contribuire a far avanzare il progresso prevedendo la velocità o la selettività di una determinata reazione. Pertanto, questa tecnologia può essere utile per prevedere quale prodotto ci si può aspettare.
I ricercatori hanno pubblicato i loro risultati nel Journal of Chemical Information and Modeling .
Nella chimica organica ogni dettaglio conta. Due aree comuni che possono influenzare il modo in cui una molecola si interfaccia con altre molecole sono gli sterici e gli orbitali. Gli sterici si riferiscono alla disposizione delle molecole e gli effetti sterici possono determinare la forma e la reattività della molecola. Ciò può essere dovuto alla dimensione o alla carica della molecola o del singolo atomo. Gli orbitali sono un modo per spiegare la posizione più probabile degli elettroni che a loro volta possono interagire con altre molecole o atomi per provocare reazioni.
Questi fattori possono cambiare drasticamente nel punto in cui un nucleofilo, o un reagente donatore di elettroni, può attaccarsi alla molecola ricevente. Questo è noto come "selettività" e, a seconda di dove si attacca la molecola, i risultati possono formare prodotti diversi o produrre il prodotto desiderato. I ricercatori stanno utilizzando l'intelligenza artificiale e l'apprendimento automatico, nonché le attuali conoscenze sulle reazioni chimiche per spiegare meglio questi aspetti della selettività molecolare.
"Per determinare quali informazioni possono essere utilizzate come informazioni chimiche essenziali da fornire all'intelligenza artificiale, è necessario combinare la conoscenza chimica con la conoscenza dell'intelligenza artificiale e dell'apprendimento automatico", ha affermato l'autore corrispondente Hiroaki Gotoh, professore associato presso la facoltà di ingegneria di Yokohama. Università Nazionale.
Innanzitutto, è stato necessario fornire al computer alcune informazioni da cui imparare. Per avviare il processo di insegnamento dell'IA sono state utilizzate informazioni tratte dalla letteratura in chimica computazionale e informazioni provenienti da studi precedenti. Dopo l'immissione manuale dei dati per le molecole specifiche utilizzate e l'impostazione dei parametri ottimali, le analisi dei dati sono state eseguite in base ai risultati previsti del set di dati del test. Queste analisi consentono all'IA di apprendere e prevedere le selettività future sulla base di informazioni già note.
"Questo metodo consente un'analisi e un'interpretazione più completa dei meccanismi di reazione attraverso il calcolo dei parametri degli spazi sferici che imitano l'avvicinamento dei nucleofili", ha affermato Daimon Sakaguchi, primo autore dello studio presso il dipartimento di chimica e scienze della vita dell'Università nazionale di Yokohama.
Lo studio ha spiegato con successo la selettività della reazione 323 di otto nucleofili, in base a quale "faccia" della molecola produrrebbe la quantità di prodotto più desiderabile. La selettività cambia in base agli sterici della molecola oltre ai suoi fattori orbitali. I ricercatori hanno scoperto che per alcune molecole il fattore orbitale è più importante nel determinare la selettività facciale, mentre altre dipendono maggiormente dagli sterici della molecola quando interagisce con il suo nucleofilo.
La combinazione di tecnologia predittiva e apprendimento automatico con conoscenze consolidate della chimica può produrre risultati migliori dalla reazione chimica e aiutare i chimici a sintetizzare prodotti naturali e prodotti chimici farmaceutici in modo più snello.
Semplificando questo processo con l’uso dell’apprendimento automatico e dell’intelligenza artificiale, è possibile effettuare ulteriori sperimentazioni. Idealmente, i ricercatori sperano di collaborare con chimici sperimentali per progettare reazioni che continueranno con lo sviluppo di una tecnologia più predittiva per le reazioni chimiche.