Machine learning voor het ontwerpen van moleculen en reactiepaden

Onderzoekers in Japan hebben een machine learning proces ontwikkeld. Het ontwerpt tegelijkertijd nieuwe moleculen en stelt de chemische reacties voor om ze te maken. Het team bestaat uit wetenschappers van het Institute of Statistical Mathematics (ISM) in Tokio. Ze publiceerden de resultaten in het tijdschrift Science and Technology of Advanced Materials: Methods

Veel onderzoeksgroepen boeken aanzienlijke vooruitgang bij het gebruik van kunstmatige intelligentie (AI) en machine learning. Ze ontwerpen hiermee haalbare moleculaire structuren met de gewenste eigenschappen. Maar de vooruitgang bij het in praktijk brengen van de ontwerpconcepten verloopt traag. De grootste belemmering zijn de technische moeilijkheden bij het vinden van chemische reacties die de ontworpen moleculen kunnen maken. Er moet daarbij rekening worden gehouden met efficiëntie, kosten en praktische uitvoerbaarheid voor gebruik in de echte wereld.

Nieuw algoritme

“Ons nieuwe machine learning algoritme en het bijbehorende softwaresysteem kunnen moleculen ontwerpen met alle gewenste eigenschappen. Daarbovenop stellen ze synthetische routes voor om ze te maken uit een uitgebreide lijst van commercieel beschikbare verbindingen.” Dat zegt statistisch wiskundige Ryo Yoshida, leider van de onderzoeksgroep.

Machine learning en wetenschappers

Het proces maakt gebruik van een benadering die Bayesian inference wordt genoemd. Het werkt met een enorme reeks gegevens over verschillende opties voor uitgangsmaterialen en reactieroutes. De mogelijke basis: allemaal combinaties van de miljoenen verbindingen die gemakkelijk verkrijgbaar zijn. Het computeralgoritme beoordeelt de enorme reeks haalbare reacties en reactienetwerken. Dit doet het om een synthetische route te ontdekken naar een verbinding met de eigenschappen waarnaar is gestreefd. Deskundige chemici kunnen dan de resultaten bekijken om te testen en te verfijnen wat de AI voorstelt. De AI doet de voorstellen terwijl mensen beslissen welke oplossing de beste is.

Geneesmiddelen en smeermiddelen

“In een case study is gekeken naar het ontwerpen van moleculen gelijkend op moleculen die in geneesmiddelen worden gebruikt. De methode toonde overweldigende prestaties”, zegt Yoshida. Ook werden routes ontworpen naar industrieel bruikbare smeermiddelmoleculen.

Versnelling teweegbrengen

Yoshida: “We hopen dat ons werk het proces van datagestuurde ontdekking van een breed scala aan nieuwe materialen zal versnellen.” Ter ondersteuning van dit doel stelde het team de software die hun machine learning implementeert beschikbaar aan alle onderzoekers op de website GitHub.

Polymeren

Het huidige succes richtte zich alleen op het ontwerp van kleine moleculen. Het team is nu van plan te onderzoeken of ze de procedure kunnen aanpassen om polymeren te ontwerpen. Veel van de belangrijkste industriële en biologische verbindingen zijn polymeren. Maar het is moeilijk gebleken om nieuwe versies te maken die door machine learning zijn voorgesteld. Dit komt vanwege uitdagingen bij het vinden van reacties om de ontwerpen op te bouwen. Daar kan deze nieuwe technologie verandering in brengen.

Afbeelding van Gerd Altmann via Pixabay
Lees ook: AI en federated learning kan detectie van hersentumoren met 33% verbeteren