Ahora hay algunos problemas que la IA y el aprendizaje automático no pueden ayudar a resolver. Los investigadores de la Universidad Nacional de Yokohama utilizan esta ventaja innovadora para superar algunos métodos tradicionales.
Hay varias reglas para recordar cuando se trata de las interacciones de moléculas que contienen carbono (u orgánicas). La posición de los grupos en la molécula que interactúan con su entorno, el tamaño, la forma y la posición de la molécula y la molécula con la que interactúa. El resultado de una reacción determinada puede variar mucho dependiendo de estos factores y muchos otros, y predecir estos resultados ha demostrado ser todo un desafío en el campo químico. Controlar los resultados es un componente muy importante de la síntesis química, pero las predicciones no siempre son suficientes. Afortunadamente, el aprendizaje automático y la inteligencia artificial (IA) pueden una vez más ayudar a avanzar en el progreso al predecir una tasa de reacción o selectividad determinada. Por lo tanto, esta técnica puede resultar útil para predecir qué resultados se pueden esperar.
Los investigadores publicaron sus hallazgos en el Journal of Chemical Information and Modeling el 9 de abril.
En química orgánica, cada detalle importa. Dos regiones generales que pueden afectar la forma en que una molécula interactúa con otras moléculas son las estriaciones y los orbitales. Estérico se refiere a la disposición de las moléculas y los efectos estéricos pueden determinar la forma y la reactividad de las moléculas. Esto puede deberse al tamaño o la carga de la molécula o de los átomos individuales. Los orbitales son una forma de definir la ubicación más probable de un electrón, que, a su vez, puede interactuar con otras moléculas o átomos para crear una reacción. Estos factores pueden cambiar drásticamente cuando un nucleófilo, o un aceptor donador de electrones, se une a la molécula aceptora. Esto se conoce como «selectividad» y dependiendo de dónde se une la molécula, los resultados pueden producir diferentes productos o el producto deseado. Los investigadores están utilizando la inteligencia artificial y el aprendizaje automático, así como el conocimiento existente sobre reacciones químicas, para describir mejor estos aspectos de la selección molecular.
«Para determinar qué información se puede utilizar para proporcionar la información química necesaria a la IA, es importante combinar el conocimiento químico con la IA y el aprendizaje automático», dijo el autor correspondiente Hiroki Goto, profesor asociado de la Facultad de Ingeniería de Yokohama. Universidad Nacional.
Primero, había que darle a la computadora cierta información de la cual pudiera aprender. Se utilizó información de la literatura en química computacional e información de estudios previos para iniciar el proceso de enseñanza de la IA. Después de introducir algunos datos manualmente para moléculas específicas y configurar parámetros óptimos, se ejecutan análisis de datos en función de los resultados previstos del conjunto de datos de prueba. Estos análisis permiten a la IA aprender y predecir elecciones futuras basándose en información ya conocida. Damon Sakaguchi, primer autor del estudio en el Departamento de Química y Ciencias de la Vida de la Universidad Nacional de Yokohama, dijo: «Este enfoque permite un análisis e interpretación más completos de los mecanismos de reacción mediante el cálculo de los parámetros del espacio esférico de los nucleófilos que se acercan. copia.»
El estudio definió con éxito 323 reacciones seleccionando ocho nucleófilos en función de qué «cara» de la molécula produciría la cantidad más deseada de producto. La selectividad cambia según la orientación estérica de la molécula además de sus elementos orbitales. Los investigadores han descubierto que para algunas moléculas el factor orbital es más importante para determinar la selectividad de la cara, mientras que otras dependen más de la estérica de la molécula cuando interactúa con su nucleófilo.
La combinación de tecnología predictiva y aprendizaje automático con conocimientos establecidos de química puede obtener mejores resultados de las reacciones químicas y ayudar a los químicos a sintetizar productos naturales y químicos farmacéuticos de una manera más sistemática.
Al simplificar este proceso mediante el aprendizaje automático y la inteligencia artificial, se pueden crear más experiencias. Idealmente, los investigadores esperan colaborar con químicos experimentales para diseñar reacciones que continuarán con el desarrollo de técnicas más predictivas para reacciones químicas.
##
/ lanzamiento público. El contenido puede ser de un momento específico de la organización/autor(es) original(es) y estar editado para mayor claridad, estilo y extensión. Mirage.News no adopta una posición o postura editorial, y todos los puntos de vista, posiciones y conclusiones expresadas en este documento son exclusivas de los autores. Ver completo aquí.
