.
Inteligência artificial, química de “blocos de construção” e uma máquina de fabricação de moléculas se uniram para encontrar as melhores condições gerais de reação para sintetizar produtos químicos importantes para a pesquisa biomédica e de materiais – uma descoberta que poderia acelerar a inovação e a descoberta de medicamentos, bem como tornar a química complexa automatizado e acessível.
Com as condições otimizadas geradas por máquina, pesquisadores da Universidade de Illinois Urbana-Champaign e colaboradores na Polônia e no Canadá dobraram o rendimento médio de um tipo de reação especial e difícil de otimizar ligando átomos de carbono em moléculas farmaceuticamente importantes. Os pesquisadores dizem que seu sistema fornece uma plataforma que também pode ser usada para encontrar condições gerais para outras classes de reações e soluções para problemas igualmente complexos. Eles relataram suas descobertas no jornal Ciência.
“A generalidade é fundamental para a automação e, assim, tornar a inovação molecular acessível até mesmo para não-químicos”, disse o co-líder do estudo, Dr. Martin D. Burke, professor de química de Illinois e da Faculdade de Medicina Carle Illinois, bem como médico. . “O desafio é que o monte de feno de possíveis condições de reação é astronômico, e a agulha está escondida em algum lugar dentro. Ao alavancar o poder da inteligência artificial e da química de blocos de construção para criar um ciclo de feedback, conseguimos encolher o palheiro. E descobrimos a agulha.”
Máquinas de síntese automatizada de proteínas e ácidos nucleicos, como o DNA, revolucionaram a pesquisa e a fabricação química nesses campos, mas muitos produtos químicos importantes para aplicações farmacêuticas, clínicas, de fabricação e materiais são pequenas moléculas com estruturas complexas, dizem os pesquisadores.
O grupo de Burke foi pioneiro no desenvolvimento de blocos de construção químicos simples para pequenas moléculas. Seu laboratório também desenvolveu uma máquina automatizada de fabricação de moléculas que une os blocos de construção para criar uma ampla gama de estruturas possíveis.
No entanto, as condições gerais de reação para tornar o processo automatizado amplamente aplicável permaneceram indescritíveis.
“Tradicionalmente, os químicos personalizam as condições de reação para cada produto que estão tentando fazer”, disse Burke. “O problema é que este é um processo lento e muito dependente de especialistas, e muito difícil de automatizar porque a máquina teria que ser otimizada todas as vezes. O que realmente queremos são condições que funcionem quase todas as vezes, não importa quais sejam as duas coisas que você estão tentando encaixar juntos.”
Uma abordagem automatizada com condições generalizadas pode ajudar a padronizar como alguns produtos são feitos, abordando o problema da reprodutibilidade, disse a pesquisadora de pós-doutorado em Illinois Vandana Rathore, co-autora do estudo.
O grupo de Burke se uniu a um grupo liderado por Bartosz A. Grzybowski no Instituto de Química Orgânica da Academia Polonesa de Ciências, bem como ao grupo de Alan Aspuru-Guzik da Universidade de Toronto, ambos líderes no uso de inteligência artificial e aprendizado de máquina para melhorar a síntese química. A equipe integrou a IA à máquina de moléculas para fornecer feedback em tempo real ao sistema de aprendizado de máquina.
“Para distinguir o bom do ruim, você precisa saber algo sobre o ruim, mas as pessoas só publicam os sucessos”, disse Grzybowski. Os estudos publicados refletem condições que são populares ou convenientes, e não as melhores, então uma abordagem sistemática que incluísse dados diversos e resultados negativos era necessária, disse ele.
Primeiro, a equipe executou toda a matriz de combinações possíveis usando a química dos blocos de construção por meio de um algoritmo para agrupar reações semelhantes. Em seguida, a IA enviou instruções, inseridas em uma máquina no Molecule Maker Lab, localizado no Beckman Institute for Advanced Science and Technology, em Illinois, para produzir reações representativas de cada cluster. As informações dessas reações retroalimentaram o modelo; a IA aprendeu com os dados e ordenou mais experimentos da máquina de moléculas.
“Estávamos procurando ver duas coisas: um aumento no rendimento e uma diminuição na incerteza, para um amplo espectro de reações”, disse Grzybowski, que agora está no Ulsan Institute of Science and Technology, na Coréia do Sul. “Esse ciclo continuou sem que tivéssemos que intervir até que o problema fosse resolvido. Descobrir as condições generalizadas para as máquinas de síntese de proteínas levou 30 anos. Isso nos levou dois meses.”
O processo identificou condições que dobraram o rendimento médio de uma classe desafiadora de reações, chamada de acoplamento heteroaril Suzuki-Miyaura, crucial para muitos compostos biológicos e relevantes para materiais.
“Existem todos os tipos de combinações de blocos de construção que nem estudamos em nosso treinamento de IA, mas como a IA explorou um espaço tão diversificado, encontrou bons resultados mesmo naquelas áreas inicialmente inexploradas”, disse o estudante de pós-graduação de Illinois Nicholas H. Angello, co-primeiro autor do estudo.
O processo de aprendizado de máquina descrito no artigo também pode ser aplicado a outras áreas amplas da química para encontrar as melhores condições de reação para outros tipos de moléculas pequenas ou polímeros orgânicos ainda maiores, dizem os pesquisadores.
“Existem tantas classes de materiais diferentes que queremos conhecer, direcionar e descobrir para diferentes propriedades funcionais. A possibilidade de extensão dessa abordagem para outras reações químicas semelhantes, outros tipos de ligações carbono-carbono, é emocionante”, disse o co-co- autor Charles M. Schroeder, um professor de Illinois de ciência e engenharia de materiais e engenharia química e biomolecular, e um afiliado do Instituto Beckman.
A Agência de Projetos de Pesquisa Avançada de Defesa e a National Science Foundation apoiaram este trabalho.
.
