Die KI lernt die Sprache der Chemie, um vorherzusagen, wie man Medikamente herstellt
Technologie zur Vorhersage von Reaktionen in der Wirkstoff- und Materialforschung
Forscher der University of Cambridge haben gezeigt, dass ein Algorithmus die Ergebnisse komplexer chemischer Reaktionen mit einer Genauigkeit von über 90% vorhersagen kann und damit ausgebildete Chemiker übertrifft. Der Algorithmus zeigt Chemikern auch, wie man Zielverbindungen herstellt, indem er die chemische "Karte" an das gewünschte Ziel liefert.
Algorithmen des maschinellen Lernens können ein besseres Verständnis der Chemie vermitteln (symbolisches Bild).
TheDigitalArtist, pixabay.com, CC0
Eine zentrale Herausforderung in der Wirkstoffforschung und Materialwissenschaft ist es, Wege zu finden, komplizierte organische Moleküle herzustellen, indem einfachere Bausteine chemisch miteinander verbunden werden. Das Problem ist, dass diese Bausteine oft unerwartet reagieren.
"Die Herstellung von Molekülen wird oft als eine Kunst beschrieben, die mit Trial-and-Error-Experimenten realisiert wird, weil unser Verständnis von chemischer Reaktivität noch lange nicht vollständig ist", sagte Dr. Alpha Lee vom Cavendish Laboratory in Cambridge, der die Studien leitete. "Algorithmen des maschinellen Lernens können ein besseres Verständnis der Chemie haben, weil sie Reaktionsmuster aus Millionen von veröffentlichten chemischen Reaktionen destillieren, was ein Chemiker nicht kann."
Der von Lee und seiner Gruppe entwickelte Algorithmus verwendet Werkzeuge zur Mustererkennung, um zu erkennen, wie chemische Gruppen in Molekülen reagieren, indem er das Modell an Millionen von in Patenten veröffentlichten Reaktionen trainiert.
Die Forscher betrachteten die Vorhersage chemischer Reaktionen als ein Problem der maschinellen Übersetzung. Die reagierenden Moleküle werden als eine "Sprache" betrachtet, während das Produkt als eine andere Sprache betrachtet wird. Das Modell verwendet dann die Muster im Text, um zu lernen, wie man zwischen den beiden Sprachen "übersetzt".
Mit diesem Ansatz erreicht das Modell eine Genauigkeit von 90% bei der Vorhersage des richtigen Produkts aus unsichtbaren chemischen Reaktionen, während die Genauigkeit der geschulten menschlichen Chemiker bei etwa 80% liegt. Die Forscher sagen, dass das Modell genau genug ist, um Fehler in den Daten zu erkennen und eine Vielzahl von schwierigen Reaktionen korrekt vorherzusagen.
Das Modell weiß auch, was es nicht weiß. Es erzeugt einen Unsicherheitswert, der falsche Vorhersagen mit einer Genauigkeit von 89% eliminiert. Da Experimente zeitaufwendig sind, ist eine genaue Vorhersage entscheidend, um teure experimentelle Wege zu vermeiden, die schließlich zum Scheitern führen.
In der zweiten Studie zeigten Lee und seine Gruppe in Zusammenarbeit mit dem biopharmazeutischen Unternehmen Pfizer das praktische Potenzial der Methode in der Wirkstoffforschung.
Die Forscher zeigten, dass das Modell, wenn es auf publizierte Forschungsergebnisse aus der Chemie trainiert wird, genaue Vorhersagen über Reaktionen auf Basis von Labornotizbüchern treffen kann, was zeigt, dass das Modell die Regeln der Chemie gelernt hat und es auf die Entdeckung von Medikamenten anwenden kann.
Das Team zeigte auch, dass das Modell Sequenzen von Reaktionen vorhersagen kann, die zu einem gewünschten Produkt führen würden. Sie wandten diese Methodik auf verschiedene medikamentenähnliche Moleküle an und zeigten, dass die Schritte, die sie voraussagen, chemisch sinnvoll sind. Diese Technologie kann die Zeit der präklinischen Arzneimittelentdeckung erheblich verkürzen, da sie den Medizinern eine Blaupause gibt, wo sie anfangen sollen.
"Unsere Plattform ist wie ein GPS für die Chemie", sagt Lee, der auch Research Fellow am St Catharine's College ist. "Es informiert Chemiker, ob eine Reaktion ein Go oder ein No-Go ist, und wie man Reaktionswege navigiert, um ein neues Molekül herzustellen."
Die Cambridge-Forscher nutzen derzeit diese Technologie zur Reaktionsvorhersage, um eine komplette Plattform zu entwickeln, die den Zyklus aus Entwicklung, Umsetzung und Test (design-make-test cycle) in der Wirkstoffforschung und Materialforschung überbrückt: die Vorhersage vielversprechender bioaktiver Moleküle, die Möglichkeiten, diese komplexen organischen Moleküle herzustellen, und die Auswahl der Experimente, die am aufschlussreichsten sind. Die Forscher arbeiten nun daran, chemische Erkenntnisse aus dem Modell zu gewinnen und zu verstehen, was es gelernt hat, was der Mensch nicht hat.
"Wir können potenziell große Fortschritte in der Chemie machen, wenn wir lernen, welche Muster das Modell betrachtet, um eine Vorhersage zu machen", sagt Peter Bolgar, Doktorand in synthetischer organischer Chemie, der an beiden Studien beteiligt ist. "Das Modell und die menschlichen Chemiker würden zusammen extrem mächtig bei der Gestaltung von Experimenten werden, mehr als jeder ohne den anderen."
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Life-Science-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für Biotechnologie, Pharma und Life Sciences bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
