p O aprendizado de máquina tem sido amplamente utilizado nas ciências químicas para o projeto de medicamentos e outros processos. p Os modelos que são testados prospectivamente para novos resultados de reação e usados ​​para melhorar a compreensão humana para interpretar as decisões de reatividade química feitas por tais modelos são extremamente limitados.

p Os inovadores da Purdue University introduziram fluxogramas de reatividade química para ajudar os químicos a interpretar os resultados das reações usando modelos de aprendizado de máquina estatisticamente robustos, treinados em um pequeno número de reações. O trabalho é publicado em Cartas Orgânicas .

p "O desenvolvimento de reações novas e rápidas é essencial para o projeto de uma biblioteca química na descoberta de medicamentos, "disse Gaurav Chopra, professor assistente de química analítica e física no Purdue's College of Science. "Desenvolvemos um novo, reação multicomponente rápida e de um único recipiente (MCR) de N-sulfoniliminas que foi usada como um caso representativo para gerar dados de treinamento para modelos de aprendizado de máquina, predizer resultados de reações e testar novas reações de uma maneira prospectiva cega.

p "Esperamos que este trabalho abra o caminho para mudar o paradigma atual, desenvolvendo modelos de aprendizado de máquina compreensíveis para interpretar os resultados das reações que aumentarão a criatividade e a eficiência dos químicos humanos para descobrir novas reações químicas e aprimorar os dutos de química orgânica e de processo. "

p Chopra disse que a abordagem de aprendizado de máquina interpretável por humanos da equipe de Purdue, introduzidos como fluxogramas de reatividade química, pode ser estendido para explorar a reatividade de qualquer MCR ou qualquer reação química. Não é necessária robótica em grande escala, uma vez que esses métodos podem ser usados ​​pelos químicos durante a triagem de reação em seus laboratórios.

p "Nós fornecemos o primeiro relatório de uma estrutura para combinar experimentos de química sintética rápidos e cálculos químicos quânticos para entender o mecanismo de reação e modelos de aprendizado de máquina estatisticamente robustos interpretáveis ​​por humanos para identificar padrões químicos para prever e testar experimentalmente a reatividade heterogênea de N-sulfoniliminas, "Chopra disse.

p "O uso sem precedentes de um modelo de aprendizado de máquina na geração de fluxogramas de reatividade química nos ajudou a entender a reatividade de diferentes N-sulfoniliminas usadas tradicionalmente em MCRs, "disse Krupal Jethava, um pós-doutorado no laboratório de Chopra, quem é o co-autor do trabalho. "Acreditamos que trabalhar lado a lado com químicos orgânicos e computacionais abrirá um novo caminho para resolver problemas complexos de reatividade química para outras reações no futuro."

p Chopra disse que os pesquisadores do Purdue esperam que seu trabalho abra caminho para se tornar um dos muitos exemplos que mostrarão o poder do aprendizado de máquina para o desenvolvimento de novas metodologias sintéticas para design de medicamentos e muito mais no futuro.

p "Nesse trabalho, nos esforçamos para garantir que nosso modelo de aprendizado de máquina possa ser facilmente compreendido por químicos não versados ​​neste campo, "disse Jonathan Ótimo, um ex-aluno de graduação da Purdue, quem é o co-autor do trabalho. “Acreditamos que esses modelos têm a capacidade não apenas de prever reações, mas também de compreender melhor quando uma determinada reação ocorrerá. Para demonstrar isso, usamos nosso modelo para guiar substratos adicionais para testar se uma reação ocorrerá. "