机器学习和人工智能有助于预测化学反应结果

导读 如今,人工智能和机器学习几乎可以解决所有问题。横滨国立大学的研究人员利用这一现代优势克服了传统方法无法解决的问题。谈到含碳(或有机)...

如今,人工智能和机器学习几乎可以解决所有问题。横滨国立大学的研究人员利用这一现代优势克服了传统方法无法解决的问题。

谈到含碳(或有机)分子的相互作用时,需要记住许多规则。分子上与其环境相互作用的基团的定位、分子的大小、形状和位置以及与其相互作用的分子。给定反应的结果可能因这些因素和其他许多因素而有很大不同,预测这些结果已被证明是化学领域的一大挑战。控制结果是化学合成中非常必要的组成部分,但预测并不总是足够的。幸运的是,机器学习和人工智能 (AI) 再次可以通过预测给定反应的速率或选择性来帮助推动进展。因此,这项技术可用于预测可以预期的产品。

研究人员于4月9日在《化学信息与建模杂志》上发表了他们的研究成果。

在有机化学中,每个细节都很重要。影响分子与其他分子相互作用的两个常见领域是立体和轨道。立体是指分子的排列,立体效应可以决定分子的形状和反应性。这可能是由于分子或单个原子的大小或电荷造成的。轨道是一种解释电子最可能位置的方法,而电子又可以与其他分子或原子相互作用引起反应。这些因素可以极大地改变亲核试剂或电子给体反应物与受体分子的结合位置。这被称为“选择性”,根据分子结合的位置,结果可以形成不同的产品或所需产品的产量。研究人员正在利用人工智能和机器学习以及现有的化学反应知识来更好地解释分子选择性的这些方面。

横滨国立大学工程学院副教授、本文通讯作者后藤宏明表示:“要确定哪些信息可以作为提供给人工智能的必要化学信息,必须将化学知识与人工智能和机器学习的知识相结合。”

首先,必须向计算机输入一些信息以供其学习。计算化学文献中的信息和先前研究的信息被用于开始 AI 的教学过程。在对所使用的特定分子进行一些手动数据输入并设置最佳参数后,根据测试数据集的预测结果运行数据分析。这些分析允许 AI 根据已知信息进行学习和预测未来的选择性。“这种方法通过计算模拟接近亲核试剂的球形空间的参数,可以更全面地分析和解释反应机制,”横滨国立大学化学与生命科学系研究的第一作者 Daimon Sakaguchi 说。

该研究成功解释了 8 种亲核试剂的 323 种反应选择性,即分子的哪个“面”会产生最理想的产物量。选择性的变化取决于分子的立体性和轨道因素。研究人员发现,对于某些分子,轨道因素在决定面选择性方面更为重要,而其他分子则更多地取决于分子与亲核试剂相互作用时的立体性。

预测技术和机器学习与现有的化学知识相结合,可以从化学反应中产生更好的结果,并帮助化学家以更简化的方式合成天然产物和药物化学品。

通过使用机器学习和人工智能简化这一过程,可以进行更多实验。理想情况下,研究人员希望与实验化学家合作设计反应,并继续开发更具预测性的化学反应技术。

免责声明:本文由用户上传,如有侵权请联系删除!

猜你喜欢

最新文章

<