A Lausanne-i Svájci Szövetségi Technológiai Intézet (EPFL) kutatói olyan mesterséges intelligencia keretrendszert fejlesztettek ki, amely képes egy kémikus mindennapi nyelvű utasításait értelmezni, és több ezer lehetséges szintézisútvonal közül kiválasztani a legjobbat egy adott molekula előállítására. A rendszert, amelyet a csapat egy nemrégiben megjelent tanulmányban ismertetett, célja, hogy csökkentse azt az időt, amelyet a kémikusok a reakció-adatbázisok manuális átnézésével és többlépcsős útvonalak tervezésével töltenek.
Hogyan működik az AI
A keretrendszer természetes nyelvfeldolgozást használ olyan utasítások megértéséhez, mint például „készítsd el ezt a vegyületet benzolból kiindulva” vagy „találj egy útvonalat, amely elkerüli a toxikus oldószereket”. Ezután az ismert kémiai reakciók és molekulaszerkezetek adatbázisában keresve megtalálja a leghatékonyabb lépéssorozatot. A kutatók szerint a rendszer a lehetőségek rangsorolásakor olyan tényezőket vesz figyelembe, mint a hozam, a költség és a biztonság.
Ellentétben a korábbi eszközökkel, amelyek megkövetelték a felhasználóktól a pontos SMILES karakterláncok vagy reakció sablonok megadását, ez a rendszer elfogadja a szabad szöveges utasításokat, amelyeket egy kémikus a laboratóriumi jegyzetfüzetébe írna. Ez csökkenti a számítógépes tervezés használatának akadályát, különösen azon kutatók számára, akik nem programozási szakértők.
Lehetséges alkalmazások a kémiában
Az a képesség, hogy gyorsan fel lehessen vázolni egy szintézisútvonalat, leginkább olyan területeken számít, mint a gyógyszerfejlesztés, ahol egy új gyógyszerjelölt laboratóriumi előállítása szűk keresztmetszetet jelenthet. Egy olyan keresés, amely ember számára órákba vagy napokba telhet, az AI segítségével percekre csökkenthető.
Az EPFL csapata a keretrendszert egy sor célmolekulán tesztelte, amelyek között gyakori gyógyszeripari intermedierek is szerepeltek. Minden esetben a rendszer egy olyan plauzibilis útvonalat adott vissza, amely megegyezett vagy javított azon, amelyet egy emberi kémikus tervezett. A kutatók megjegyezték, hogy az AI néha rövidebb vagy olcsóbb reagenseket használó reakciósorozatot javasolt.
Mit értek el a kutatók
A munkát az EPFL Számítógépes Kémiai és Szerves Szintézis Laboratóriumának egy csoportja végezte. Az AI-t egy nagy, ismert kémiai reakciókat tartalmazó adatbázison képezték ki, ami lehetővé tette számára, hogy egy komplex célt egyszerűbb építőelemekre bontson. A rendszer ezután visszafelé dolgozik – ezt a stratégiát retroszintézisnek nevezik –, hogy megtalálja a lépéseket.
A csapat az AI-t egy nagy, ismert kémiai reakciókat tartalmazó adatbázison képezte ki, ami lehetővé tette számára, hogy egy komplex célt egyszerűbb építőelemekre bontson. A rendszer ezután visszafelé dolgozik – ezt a stratégiát retroszintézisnek nevezik –, hogy megtalálja a lépéseket.
Mivel a keretrendszer hétköznapi nyelvű bemenetre épül, a kutatók szerint beépíthető elektronikus laboratóriumi jegyzetfüzetekbe vagy kémiai keresőmotorokba. Ez lehetővé tenné, hogy egy kémikus beírja, hogy „szintetizálj ibuprofént”, és másodperceken belül megkapja a reakciókörülmények és kiindulási anyagok listáját.
Következő lépések
Az EPFL csapata jelenleg azon dolgozik, hogy a rendszert kiterjessze olyan reakciókra, amelyek több fázist vagy katalizátort foglalnak magukban. Azt is vizsgálják, hogyan lehetne az AI-t úgy tanítani, hogy az új, publikált reakciókból tanuljon, így az útvonaljavaslatok folyamatosan javulnak. A munkát még nem vezették be ipari környezetben, de a kutatók szerint tárgyalásokat folytatnak gyógyszeripari vállalatokkal az együttműködésről.
