I ricercatori hanno progettato un algoritmo di apprendimento automatico che prevede l'esito delle reazioni chimiche con una precisione molto maggiore rispetto ai chimici addestrati e suggerisce modi per creare molecole complesse, rimuovere un ostacolo significativo nella scoperta di farmaci.

I ricercatori dell'Università di Cambridge hanno dimostrato che un algoritmo può prevedere i risultati di complesse reazioni chimiche con una precisione superiore al 90%, superando i chimici addestrati. L'algoritmo mostra anche ai chimici come creare composti target, fornendo la "mappa" chimica alla destinazione desiderata. I risultati sono riportati in due studi su riviste Scienze Centrali ACS e Comunicazioni chimiche .

Una sfida centrale nella scoperta di farmaci e nella scienza dei materiali è trovare modi per creare molecole organiche complicate unendo chimicamente elementi costitutivi più semplici. Il problema è che questi elementi costitutivi spesso reagiscono in modi inaspettati.

"La creazione di molecole è spesso descritta come un'arte realizzata con sperimentazioni per tentativi ed errori perché la nostra comprensione della reattività chimica è lungi dall'essere completa, " ha detto il dottor Alpha Lee del Cavendish Laboratory di Cambridge, che ha condotto gli studi. "Gli algoritmi di apprendimento automatico possono comprendere meglio la chimica perché distillano modelli di reattività da milioni di reazioni chimiche pubblicate, qualcosa che un chimico non può fare."

L'algoritmo sviluppato da Lee e dal suo gruppo utilizza strumenti di riconoscimento dei modelli per riconoscere come reagiscono i gruppi chimici nelle molecole, addestrando il modello su milioni di reazioni pubblicate nei brevetti.

I ricercatori hanno considerato la previsione della reazione chimica come un problema di traduzione automatica. Le molecole che reagiscono sono considerate come un unico linguaggio, mentre il prodotto è considerato come una lingua diversa. Il modello utilizza quindi i modelli nel testo per imparare a tradurre tra le due lingue.

Utilizzando questo approccio, il modello raggiunge una precisione del 90% nella previsione del prodotto corretto di reazioni chimiche invisibili, considerando che l'accuratezza dei chimici umani addestrati è di circa l'80%. I ricercatori affermano che il modello è abbastanza accurato da rilevare errori nei dati e prevedere correttamente una pletora di reazioni difficili.

Il modello sa anche quello che non sa. Produce un punteggio di incertezza, che elimina le previsioni errate con una precisione dell'89%. Poiché gli esperimenti richiedono molto tempo, una previsione accurata è fondamentale per evitare di perseguire costosi percorsi sperimentali che alla fine si concludono con un fallimento.

Nel secondo studio, Lee e il suo gruppo, collaborando con l'azienda biofarmaceutica Pfizer, dimostrato il potenziale pratico del metodo nella scoperta di farmaci.

I ricercatori hanno dimostrato che una volta formati sulla ricerca chimica pubblicata, il modello può fare previsioni accurate delle reazioni sulla base di quaderni di laboratorio, dimostrando che il modello ha appreso le regole della chimica e può applicarle ai contesti di scoperta dei farmaci.

Il team ha anche dimostrato che il modello può prevedere sequenze di reazioni che porterebbero al prodotto desiderato. Hanno applicato questa metodologia a diverse molecole simili a farmaci, dimostrando che i passaggi che prevede sono chimicamente ragionevoli. Questa tecnologia può ridurre significativamente il tempo di scoperta preclinica di farmaci perché fornisce ai chimici medicinali un progetto da dove cominciare.

"La nostra piattaforma è come un GPS per la chimica, " ha detto Lee, che è anche ricercatore presso il St Catharine's College. "Informa i chimici se una reazione è positiva o negativa, e come navigare le vie di reazione per creare una nuova molecola".

I ricercatori di Cambridge stanno attualmente utilizzando questa tecnologia di previsione delle reazioni per sviluppare una piattaforma completa che colmi il ciclo di progettazione-realizzazione-test nella scoperta di farmaci e nella scoperta di materiali:previsione di molecole bioattive promettenti, modi per rendere quelle complesse molecole organiche, e selezionando gli esperimenti che sono i più istruttivi. I ricercatori stanno ora lavorando per estrarre informazioni chimiche dal modello, cercando di capire ciò che ha imparato che gli umani non hanno.

"Possiamo potenzialmente fare molti progressi in chimica se impariamo quali tipi di modelli sta guardando il modello per fare una previsione, " disse Peter Bolgar, un dottorato di ricerca studente in chimica organica sintetica coinvolto in entrambi gli studi. "Il modello e i chimici umani insieme diventerebbero estremamente potenti nella progettazione di esperimenti, più di quanto ciascuno sarebbe senza l'altro."