Das MIT-Team nutzte eine autonome Molekülentdeckungsplattform mit geschlossenem Regelkreis für maschinelles Lernen, um 303 neue Moleküle erfolgreich zu entdecken, zu synthetisieren und zu beschreiben.

Herausgeber |

Da Chemiker zunehmend automatisierte Geräte und prädiktive Synthesealgorithmen verwenden, kommen autonome Forschungsgeräte der Realität immer näher.

Kürzlich haben Forscher des MIT eine autonome molekulare Entdeckungsplattform mit geschlossenem Regelkreis entwickelt, die durch integrierte Tools für maschinelles Lernen angetrieben wird, um das Design von Molekülen mit den gewünschten Eigenschaften zu beschleunigen. Erkunden Sie den chemischen Raum und nutzen Sie bekannte chemische Strukturen ohne manuelle Experimente.

In zwei Fallstudien versuchte die Plattform über 3000 Reaktionen, von denen über 1000 vorhergesagte Reaktionsprodukte erzeugten, und 303 nicht gemeldete farbstoffähnliche Moleküle wurden vorgeschlagen, synthetisiert und charakterisiert.

Die Studie mit dem Titel „Autonome, multiproperty-getriebene molekulare Entdeckung: Von Vorhersagen zu Messungen und zurück“ wurde am 22. Dezember 2023 in „Science“ veröffentlicht.

Link zum Papier: https://www.science.org/doi/10.1126/science.adi1407

Die Entdeckung kleiner Moleküle mit gewünschten funktionellen Eigenschaften ist entscheidend für Fortschritte in den Bereichen Gesundheit, Energie und nachhaltige Entwicklung. Der Prozess verläuft typischerweise durch einen langsamen, mühsamen, iterativen Design-Make-Test-Analyze (DMTA)-Zyklus.

Neue Tools für maschinelles Lernen (ML) können durch computergestützte Syntheseplanung (CASP) neue Kandidatenmoleküle generieren, ihre Eigenschaften vorhersagen und Reaktionswege vorschlagen. Fortschritte in der Automatisierung der Chemie ermöglichen die chemische Synthese und Charakterisierung mit minimalem menschlichen Eingriff nach manueller Einrichtung.

Die Integration von ML-Generierungsalgorithmen, ML-Eigenschaftsvorhersage, CASP, Robotik und automatisierter chemischer Synthese, Reinigung und Charakterisierung in DMTA-Workflows ermöglicht die Entwicklung autonomer chemischer Entdeckungsplattformen, die in verschiedenen chemischen Räumen betrieben werden können, ohne dass eine manuelle Neukonfiguration erforderlich ist. Die ideale eigenschaftsorientierte Entdeckungsplattform würde Moleküle vorschlagen und synthetisieren, um die Generierung und Eigenschaftsmodelle durch maschinelles Lernen zu bereichern und letztendlich die leistungsstärksten Moleküle zu entdecken. In der Praxis gilt es, Reaktionen auszuschließen, die von der verfügbaren Automatisierungshardware nicht sicher ausgeführt werden können.

Um eine autonome Entdeckung zu ermöglichen, demonstriert ein Forschungsteam des MIT eine integrierte DMTA-Schleife, die iterativ Moleküle vorschlägt, implementiert und charakterisiert und dabei den chemischen Raum nur mithilfe von Vorhersagetools erforscht.

Graph-Completion generiert Modelle zum Entwurf von Kandidatenmolekülen und verwendet ML-Modelle, um sie für jede dieser drei Eigenschaften zu bewerten. Das CASP-Tool schlägt mehrstufige Syntheserezepte vor, die von automatisierten Liquid-Handlern, Batch-Reaktoren, Hochleistungsflüssigkeitschromatographie (HPLC) und Roboterarmen durchgeführt werden. Der Plattenleser misst Absorptionsspektren, kalibrierte HPLC-Retentionszeiten liefern Wasser-Oktanol-Verteilungskoeffizienten und eine simulierte Sonnenlichtquelle wird mit dem Plattenleser kombiniert, um den photooxidativen Abbau zu quantifizieren. Gemessene molekulare Eigenschaften werden automatisch zurückgemeldet, um das Eigenschaftsvorhersagemodell neu zu trainieren und so einen Schritt des automatisierten DMTA-Zyklus abzuschließen.

Integrierte Plattformübersicht und von der Plattform vorhergesagte und erfolgreich ausgeführte Reaktionen. (Quelle: Papier)

Die Forscher demonstrierten die Plattform in zwei Anwendungsfällen für die molekulare Entdeckung kleiner Moleküle organischer Farbstoffe: (i) Erforschung unbekannter chemischer Räume und (ii) Nutzung bekannter chemischer Räume. Die Plattform führt Arbeitsabläufe aus und passt sie bei Bedarf automatisch an. Der menschliche Eingriff während und zwischen den Iterationen beschränkt sich auf das Festlegen und Anpassen von Zielen, die Bereitstellung erforderlicher Materialien und gelegentlich auf die Behebung nicht behebbarer Fehler, wie z. B. einer verstopften HPLC-Einheit.

Erkunden Sie chemische Vorhersagen und Versuche anhand von Fallstudien. (Quelle: Paper)

Plattformflexibilität ist entscheidend, um mehrstufige Reaktionspfade auszuführen, die die Breite der Reaktionsklassen umfassen, die zur Implementierung von Kandidaten für den gewünschten Immobilienbereich erforderlich sind. Die Studie validiert die Funktionalität dieser Plattform, indem sie auf molekulare Farbstoffe, Modellsysteme mit unterschiedlicher Chemie und komplexen molekularen Eigenschaften abzielt. In zwei Fallstudien versuchte die Plattform mehr als 3.000 Reaktionen, von denen mehr als 1.000 vorhergesagte Reaktionsprodukte erzeugten, und vervollständigte mehrstufige Reaktionswege für 303 nicht beschriebene Moleküle (d. h. ohne CAS-Zugangsnummern vor der Veröffentlichung).

Für beide Fallstudien waren Absorptionsmaximum, Verteilungskoeffizient und Photooxidationsstabilität die Zieleigenschaften, und die Plattform hat jede Eigenschaft automatisch gemessen und aufgezeichnet, um Modellvorhersagen zu verfeinern und zukünftige experimentelle Entscheidungen zu treffen.

Die Forscher sagten: „Zukünftige Iterationen der Plattform werden von Verbesserungen der Vorhersagefähigkeiten profitieren, insbesondere der Reaktionstreue, der Zustandsempfehlung und der Molekülgenerierung sowie der Analysetools. Die kontinuierliche Entwicklung der integrierten Plattform mit geschlossenem Regelkreis ist eine Möglichkeit, weiterzumachen.“ Beschleunigung der molekularen Entdeckung. „Der Weg der Hoffnung.“

Das obige ist der detaillierte Inhalt vonDas MIT-Team nutzte eine autonome Molekülentdeckungsplattform mit geschlossenem Regelkreis für maschinelles Lernen, um 303 neue Moleküle erfolgreich zu entdecken, zu synthetisieren und zu beschreiben.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!