O aprendizado de máquina e a IA auxiliam na previsão da seletividade molecular de reações químicas
Um aplicativo web para uso por químicos experimentais para fazer upload de um arquivo calculado com software disponível comercialmente para que o estado eletrônico possa ser analisado. Os pesquisadores estão trabalhando na criação de uma plataforma que permita que químicos de todo o mundo analisem seus próprios sistemas de reação. Crédito:Universidade Nacional de Yokohama Existem poucos problemas agora que a IA e o aprendizado de máquina não podem ajudar a superar. Pesquisadores da Universidade Nacional de Yokohama estão usando esta vantagem moderna para resolver o que os métodos convencionais não conseguem.
Há muitas regras a serem lembradas quando se trata da interação de moléculas contendo carbono (ou orgânicas):o posicionamento de grupos na molécula que interagem com seu ambiente, o tamanho, forma e posição da molécula, e a molécula com a qual está interagindo. O resultado de uma determinada reação pode ser muito diferente dependendo desses fatores e de muitos mais, e prever esses resultados provou ser um grande desafio no campo químico. Controlar o resultado é um componente muito necessário da síntese química, mas as previsões nem sempre são suficientes.
Felizmente, a aprendizagem automática e a inteligência artificial (IA) podem mais uma vez ajudar a impulsionar o progresso, prevendo a taxa ou a seletividade de uma determinada reação. Portanto, esta tecnologia pode ser útil para prever qual produto pode ser esperado.
Os pesquisadores publicaram suas descobertas no Journal of Chemical Information and Modeling .
Na química orgânica, cada detalhe é importante. Duas áreas comuns que podem afetar a forma como uma molécula interage com outras moléculas são as estéricas e os orbitais. Estéricos referem-se ao arranjo das moléculas e os efeitos estéricos podem determinar a forma e a reatividade da molécula. Isto pode ser devido ao tamanho ou carga da molécula ou átomo individual. Orbitais são uma forma de explicar o posicionamento mais provável dos elétrons que, por sua vez, podem interagir com outras moléculas ou átomos para causar reações.
Esses fatores podem mudar drasticamente onde um nucleófilo, ou um reagente doador de elétrons, pode se ligar à molécula receptora. Isto é conhecido como “seletividade” e dependendo de onde a molécula se liga, os resultados podem formar diferentes produtos ou rendimentos do produto desejado. Os pesquisadores estão utilizando IA e aprendizado de máquina, bem como o conhecimento atual de reações químicas para explicar melhor esses aspectos da seletividade molecular.
“Para determinar quais informações podem ser usadas como informações químicas essenciais a serem fornecidas à IA, é necessário combinar o conhecimento químico com o conhecimento da IA e do aprendizado de máquina”, disse o autor correspondente Hiroaki Gotoh, professor associado da Faculdade de Engenharia de Yokohama. Universidade Nacional.
Primeiro, o computador precisava receber algumas informações para aprender. Informações da literatura em química computacional e informações de estudos anteriores foram utilizadas para iniciar o processo de ensino da IA. Após alguma entrada manual de dados para as moléculas específicas usadas e definição de parâmetros ideais, as análises de dados foram executadas com base nos resultados previstos do conjunto de dados de teste. Estas análises permitem que a IA aprenda e preveja seletividades futuras com base em informações já conhecidas.
"Este método permite uma análise e interpretação mais abrangente dos mecanismos de reação através do cálculo dos parâmetros dos espaços esféricos que imitam a aproximação dos nucleófilos", disse Daimon Sakaguchi, primeiro autor do estudo no departamento de química e ciências da vida da Universidade Nacional de Yokohama.
O estudo explicou com sucesso a seletividade da reação 323 de oito nucleófilos, com base em qual “face” da molécula produziria a quantidade mais desejável de produto. A seletividade muda com base nos estéricos da molécula, além de seus fatores orbitais. Os pesquisadores descobriram que, para algumas moléculas, o fator orbital é mais importante na determinação da seletividade facial, e outras são mais dependentes dos estéricos da molécula quando ela interage com seu nucleófilo.
A combinação de tecnologia preditiva e aprendizado de máquina com conhecimento estabelecido de química pode produzir melhores resultados da reação química e ajudar os químicos a sintetizar produtos naturais e produtos químicos farmacêuticos de uma forma mais simplificada.
Ao agilizar esse processo com o uso de aprendizado de máquina e inteligência artificial, mais experimentação pode ocorrer. Idealmente, os pesquisadores esperam colaborar com químicos experimentais para projetar reações que continuarão com o desenvolvimento de tecnologias mais preditivas para reações químicas.
