


Pasukan MIT menggunakan platform penemuan molekul autonomi gelung tertutup pembelajaran mesin untuk berjaya menemui, mensintesis dan menerangkan 303 molekul baharu.
Editor |
Memandangkan ahli kimia semakin menggunakan peralatan automatik dan algoritma sintesis ramalan, peralatan penyelidikan autonomi semakin hampir dan lebih dekat dengan realiti.
Baru-baru ini, penyelidik dari MIT telah membangunkan platform penemuan molekul autonomi gelung tertutup yang dikuasakan oleh alatan pembelajaran mesin bersepadu untuk mempercepatkan reka bentuk molekul dengan sifat yang dikehendaki. Terokai ruang kimia dan eksploitasi struktur kimia yang diketahui tanpa eksperimen manual.
Merentasi dua kajian kes, platform ini mencuba lebih 3000 tindak balas, lebih 1000 daripadanya menghasilkan produk tindak balas yang diramalkan, dan 303 molekul seperti pewarna yang tidak dilaporkan telah dicadangkan, disintesis dan dicirikan.
Kajian itu, bertajuk "Penemuan molekul yang didorong oleh pelbagai sifat: Daripada ramalan kepada pengukuran dan belakang", diterbitkan dalam "Sains" pada 22 Disember 2023.
Pautan kertas: https://www.science.org/doi/10.1126/science.adi1407
Menemui molekul kecil dengan sifat fungsi yang diingini adalah penting untuk kemajuan dalam kesihatan, tenaga dan pembangunan mampan. Proses ini biasanya diteruskan melalui kitaran Reka Bentuk-Buat-Ujian-Analisa (DMTA) yang perlahan, susah payah, berulang.
Alat pembelajaran mesin (ML) yang baru muncul boleh menjana molekul calon baharu, meramalkan sifatnya dan mencadangkan laluan tindak balas melalui perancangan sintesis bantuan komputer (CASP). Kemajuan dalam automasi kimia membolehkan sintesis dan pencirian kimia dengan campur tangan manusia yang minimum selepas persediaan manual.
Mengintegrasikan algoritma penjanaan ML, ramalan sifat ML, CASP, robotik dan sintesis kimia automatik, penulenan dan pencirian ke dalam aliran kerja DMTA membolehkan pembangunan platform penemuan kimia autonomi yang mampu beroperasi dalam pelbagai ruang kimia tanpa memerlukan konfigurasi semula Manual. Platform penemuan berpaksikan harta yang ideal akan mencadangkan dan mensintesis molekul untuk memperkayakan penjanaan pembelajaran mesin dan model hartanah, dan akhirnya menemui molekul berprestasi terbaik. Dalam amalan, adalah perlu untuk menolak tindak balas yang tidak boleh dilakukan dengan selamat oleh perkakasan automasi yang tersedia.
Untuk membolehkan penemuan autonomi, pasukan penyelidik daripada MIT menunjukkan gelung DMTA bersepadu yang secara berulang mencadangkan, melaksanakan dan mencirikan molekul, meneroka ruang kimia hanya berpandukan alat ramalan.
Pelengkapan graf menjana model untuk mereka bentuk molekul calon dan menggunakan model ML untuk menilai mereka bagi setiap tiga sifat ini. Alat CASP mencadangkan resipi sintesis berbilang langkah yang dilakukan oleh pengendali cecair automatik, reaktor kelompok, kromatografi cecair berprestasi tinggi (HPLC) dan lengan robotik. Pembaca plat mengukur spektrum penyerapan, masa pengekalan HPLC yang ditentukur memberikan pekali partition oktanol air, dan sumber cahaya suria simulasi digabungkan dengan pembaca plat untuk mengukur kemerosotan fotooksidatif. Sifat molekul yang diukur secara automatik disuap semula untuk melatih semula model ramalan sifat, melengkapkan satu langkah kitaran DMTA automatik.
Ikhtisar platform bersepadu, dan reaksi yang diramalkan dan berjaya dilaksanakan oleh platform. (Sumber: Kertas)
Teroka ramalan dan percubaan kimia dengan kajian kes. (Sumber: Kertas)
Untuk kedua-dua kajian kes, maksimum penyerapan, pekali sekatan dan kestabilan fotooksidasi adalah sifat sasaran, dan platform secara automatik mengukur dan merekodkan setiap sifat untuk memperhalusi ramalan model dan memaklumkan pilihan percubaan masa hadapan.
Para penyelidik berkata: "Lelaran masa hadapan platform akan mendapat manfaat daripada penambahbaikan dalam keupayaan ramalan, terutamanya kesetiaan tindak balas, pengesyoran keadaan dan penjanaan molekul, serta alat analisis. Pembangunan berterusan platform bersepadu gelung tertutup adalah cara untuk meneruskan mempercepatkan penemuan molekul." Jalan harapan."
Atas ialah kandungan terperinci Pasukan MIT menggunakan platform penemuan molekul autonomi gelung tertutup pembelajaran mesin untuk berjaya menemui, mensintesis dan menerangkan 303 molekul baharu.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu. Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Teknologi Simou telah membangunkan set data "DefectSpectrum" secara inovatif, yang menyediakan anotasi berskala besar yang kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "DefectSpectrum" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan) dan klasifikasi kecacatan yang paling terperinci (125 kategori kecacatan

Komuniti LLM terbuka ialah era apabila seratus bunga mekar dan bersaing Anda boleh melihat Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 dan banyak lagi. model yang cemerlang. Walau bagaimanapun, berbanding dengan model besar proprietari yang diwakili oleh GPT-4-Turbo, model terbuka masih mempunyai jurang yang ketara dalam banyak bidang. Selain model umum, beberapa model terbuka yang mengkhusus dalam bidang utama telah dibangunkan, seperti DeepSeek-Coder-V2 untuk pengaturcaraan dan matematik, dan InternVL untuk tugasan bahasa visual.

Editor |. ScienceAI Berdasarkan data klinikal yang terhad, beratus-ratus algoritma perubatan telah diluluskan. Para saintis sedang membahaskan siapa yang harus menguji alat dan cara terbaik untuk melakukannya. Devin Singh menyaksikan seorang pesakit kanak-kanak di bilik kecemasan mengalami serangan jantung semasa menunggu rawatan untuk masa yang lama, yang mendorongnya untuk meneroka aplikasi AI untuk memendekkan masa menunggu. Menggunakan data triage daripada bilik kecemasan SickKids, Singh dan rakan sekerja membina satu siri model AI untuk menyediakan potensi diagnosis dan mengesyorkan ujian. Satu kajian menunjukkan bahawa model ini boleh mempercepatkan lawatan doktor sebanyak 22.3%, mempercepatkan pemprosesan keputusan hampir 3 jam bagi setiap pesakit yang memerlukan ujian perubatan. Walau bagaimanapun, kejayaan algoritma kecerdasan buatan dalam penyelidikan hanya mengesahkan perkara ini

Bagi AI, Olimpik Matematik tidak lagi menjadi masalah. Pada hari Khamis, kecerdasan buatan Google DeepMind menyelesaikan satu kejayaan: menggunakan AI untuk menyelesaikan soalan sebenar IMO Olimpik Matematik Antarabangsa tahun ini, dan ia hanya selangkah lagi untuk memenangi pingat emas. Pertandingan IMO yang baru berakhir minggu lalu mempunyai enam soalan melibatkan algebra, kombinatorik, geometri dan teori nombor. Sistem AI hibrid yang dicadangkan oleh Google mendapat empat soalan dengan betul dan memperoleh 28 mata, mencapai tahap pingat perak. Awal bulan ini, profesor UCLA, Terence Tao baru sahaja mempromosikan Olimpik Matematik AI (Anugerah Kemajuan AIMO) dengan hadiah berjuta-juta dolar Tanpa diduga, tahap penyelesaian masalah AI telah meningkat ke tahap ini sebelum Julai. Lakukan soalan secara serentak pada IMO Perkara yang paling sukar untuk dilakukan dengan betul ialah IMO, yang mempunyai sejarah terpanjang, skala terbesar dan paling negatif

Editor |KX Sehingga hari ini, perincian dan ketepatan struktur yang ditentukan oleh kristalografi, daripada logam ringkas kepada protein membran yang besar, tidak dapat ditandingi oleh mana-mana kaedah lain. Walau bagaimanapun, cabaran terbesar, yang dipanggil masalah fasa, kekal mendapatkan maklumat fasa daripada amplitud yang ditentukan secara eksperimen. Penyelidik di Universiti Copenhagen di Denmark telah membangunkan kaedah pembelajaran mendalam yang dipanggil PhAI untuk menyelesaikan masalah fasa kristal Rangkaian saraf pembelajaran mendalam yang dilatih menggunakan berjuta-juta struktur kristal tiruan dan data pembelauan sintetik yang sepadan boleh menghasilkan peta ketumpatan elektron yang tepat. Kajian menunjukkan bahawa kaedah penyelesaian struktur ab initio berasaskan pembelajaran mendalam ini boleh menyelesaikan masalah fasa pada resolusi hanya 2 Angstrom, yang bersamaan dengan hanya 10% hingga 20% daripada data yang tersedia pada resolusi atom, manakala Pengiraan ab initio tradisional

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. Penggunaan Ziluo AI dalam memperkemas penemuan dadah semakin meletup. Skrin berbilion molekul calon untuk mereka yang mungkin mempunyai sifat yang diperlukan untuk membangunkan ubat baharu. Terdapat begitu banyak pembolehubah untuk dipertimbangkan, daripada harga material kepada risiko kesilapan, sehingga menimbang kos mensintesis molekul calon terbaik bukanlah tugas yang mudah, walaupun saintis menggunakan AI. Di sini, penyelidik MIT membangunkan SPARROW, rangka kerja algoritma membuat keputusan kuantitatif, untuk mengenal pasti calon molekul terbaik secara automatik, dengan itu meminimumkan kos sintesis sambil memaksimumkan kemungkinan calon mempunyai sifat yang diingini. Algoritma juga menentukan bahan dan langkah eksperimen yang diperlukan untuk mensintesis molekul ini. SPARROW mengambil kira kos mensintesis sekumpulan molekul sekaligus, memandangkan berbilang molekul calon selalunya tersedia

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
