Maschinelles Lernen und KI helfen bei der Vorhersage chemischer Reaktionen

15.05.2024

Symbolisches Bild

Computer-generated image

Es gibt kaum noch Probleme, die nicht mit Hilfe von KI und maschinellem Lernen gelöst werden können. Forscher der Yokohama National University nutzen diesen modernen Vorteil, um zu überwinden, was herkömmliche Methoden nicht können.

Bei der Interaktion von kohlenstoffhaltigen (oder organischen) Molekülen gibt es viele Regeln zu beachten. Die Position der Gruppen auf dem Molekül, die mit seiner Umgebung interagieren, die Größe, Form und Position des Moleküls und das Molekül, mit dem es interagiert. Das Ergebnis einer bestimmten Reaktion kann in Abhängigkeit von diesen und vielen anderen Faktoren sehr unterschiedlich ausfallen, und die Vorhersage dieser Ergebnisse hat sich als große Herausforderung im Bereich der Chemie erwiesen. Die Kontrolle des Ergebnisses ist ein wichtiger Bestandteil der chemischen Synthese, aber Vorhersagen sind nicht immer ausreichend. Glücklicherweise können maschinelles Lernen und künstliche Intelligenz (KI) den Fortschritt weiter vorantreiben, indem sie die Geschwindigkeit oder Selektivität einer bestimmten Reaktion vorhersagen. Daher kann diese Technologie bei der Vorhersage des zu erwartenden Produkts hilfreich sein.

Die Forscher veröffentlichten ihre Ergebnisse am 9. April im Journal of Chemical Information and Modeling .

Einsatz von maschinellem Lernen zur Vorhersage von Aminemissionen

Maschinelles Lernen sagt potenziell schädliche Aminemissionen aus kohlenstoffabscheidenden Anlagen genau vorher

News lesen

In der organischen Chemie kommt es auf jedes Detail an. Zwei häufige Bereiche, die sich darauf auswirken können, wie ein Molekül mit anderen Molekülen zusammenwirkt, sind Sterik und Orbitale. Sterik bezieht sich auf die Anordnung von Molekülen, und sterische Effekte können die Form und Reaktivität eines Moleküls bestimmen. Dies kann auf die Größe oder die Ladung des Moleküls oder einzelner Atome zurückzuführen sein. Mit Hilfe von Orbitalen lässt sich die wahrscheinlichste Platzierung der Elektronen erklären, die wiederum mit anderen Molekülen oder Atomen in Wechselwirkung treten und Reaktionen auslösen können. Diese Faktoren können den Ort, an dem sich ein Nukleophil oder ein elektronenliefernder Reaktant an das Empfängermolekül anlagern kann, drastisch verändern. Dies wird als "Selektivität" bezeichnet, und je nachdem, wo sich das Molekül anlagert, können sich unterschiedliche Produkte oder Ausbeuten des gewünschten Produkts ergeben. Um diese Aspekte der molekularen Selektivität besser erklären zu können, setzen die Forscher KI und maschinelles Lernen sowie das aktuelle Wissen über chemische Reaktionen ein.

Um herauszufinden, welche Informationen als wesentliche chemische Informationen für die KI verwendet werden können, ist es notwendig, chemisches Wissen mit Kenntnissen über KI und maschinelles Lernen zu kombinieren", so der korrespondierende Autor Hiroaki Gotoh, außerordentlicher Professor an der Fakultät für Ingenieurwissenschaften der Yokohama National University.

Zunächst musste der Computer mit Informationen gefüttert werden, aus denen er lernen konnte. Informationen aus der Fachliteratur im Bereich der computergestützten Chemie und Informationen aus früheren Studien wurden verwendet, um den Lernprozess der KI zu beginnen. Nach einer manuellen Dateneingabe für die verwendeten Moleküle und der Einstellung optimaler Parameter wurden Datenanalysen auf der Grundlage der vorhergesagten Ergebnisse des Testdatensatzes durchgeführt. Diese Analysen ermöglichen es der KI, auf der Grundlage bereits bekannter Informationen zu lernen und künftige Selektivitäten vorherzusagen. "Diese Methode ermöglicht eine umfassendere Analyse und Interpretation von Reaktionsmechanismen durch die Berechnung der Parameter der sphärischen Räume, die die sich nähernden Nukleophile nachahmen", sagte Daimon Sakaguchi, Erstautor der Studie an der Abteilung für Chemie und Biowissenschaften der Yokohama National University.

Die Studie erklärt erfolgreich die Selektivität von 323 Reaktionen von acht Nukleophilen auf der Grundlage der Frage, welches "Gesicht" des Moleküls die wünschenswerteste Menge des Produkts ergibt. Die Selektivität hängt nicht nur von den Orbitalfaktoren, sondern auch von der Sterik des Moleküls ab. Die Forscher fanden heraus, dass bei einigen Molekülen der Orbitalfaktor bei der Bestimmung der Gesichtsselektivität wichtiger ist, während bei anderen die Sterik des Moleküls bei der Wechselwirkung mit dem Nukleophil eine größere Rolle spielt.

Die Kombination von prädiktiver Technologie und maschinellem Lernen mit fundierten Kenntnissen der Chemie kann zu besseren Ergebnissen der chemischen Reaktion führen und Chemikern helfen, Naturstoffe und pharmazeutische Chemikalien auf rationellere Weise zu synthetisieren.

Durch die Rationalisierung dieses Prozesses mit Hilfe von maschinellem Lernen und künstlicher Intelligenz können mehr Experimente durchgeführt werden. Im Idealfall hoffen die Forscher, mit experimentellen Chemikern zusammenzuarbeiten, um Reaktionen zu entwerfen, die mit der Entwicklung von prädiktiven Technologien für chemische Reaktionen fortgesetzt werden können.

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

Daimon Sakaguchi, Hiroaki Gotoh; "Using Three-Dimensional Information to Predict and Interpret the Facial Selectivities of Nucleophilic Additions to Cyclic Ketones"; Journal of Chemical Information and Modeling, Volume 64, 2024-4-9

https://www.chemie.de/news/1183452/maschinelles-lernen-und-ki-helfen-bei-der-vorhersage-chemischer-reaktionen.html