Novo fluxo de trabalho de modelagem estatística pode ajudar a avançar na descoberta de medicamentos e na química sintética
Cientistas do Berkeley Lab desenvolveram um novo fluxo de trabalho automatizado que aplica análise estatística para processar dados de espectroscopia de ressonância magnética nuclear (NMR). O avanço poderia ajudar a acelerar a descoberta de novos medicamentos farmacêuticos e acelerar o desenvolvimento de novas reações químicas. Crédito:Jenny Nuss/Berkeley Lab Um novo fluxo de trabalho automatizado desenvolvido por cientistas do Laboratório Nacional Lawrence Berkeley (Berkeley Lab) tem o potencial de permitir que os pesquisadores analisem os produtos de seus experimentos de reação em tempo real, um recurso essencial necessário para futuros processos químicos automatizados.
O fluxo de trabalho desenvolvido – que aplica análise estatística para processar dados de espectroscopia de ressonância magnética nuclear (RMN) – poderia ajudar a acelerar a descoberta de novos medicamentos farmacêuticos e acelerar o desenvolvimento de novas reações químicas.
Os cientistas do Berkeley Lab que desenvolveram a técnica inovadora afirmam que o fluxo de trabalho pode identificar rapidamente a estrutura molecular de produtos formados por reações químicas que nunca foram estudadas antes. Recentemente, eles relataram suas descobertas no Journal of Chemical Information and Modeling .
Além da descoberta de medicamentos e do desenvolvimento de reações químicas, o fluxo de trabalho também pode ajudar os pesquisadores que estão desenvolvendo novos catalisadores. Catalisadores são substâncias que facilitam uma reação química na produção de novos produtos úteis, como combustíveis renováveis ou plásticos biodegradáveis.
"O que mais entusiasma as pessoas nesta técnica é o seu potencial para análise de reações em tempo real, que é parte integrante da química automatizada, "disse o primeiro autor Maxwell C. Venetos, ex-pesquisador da Divisão de Ciências de Materiais do Berkeley Lab e ex-aluno de pós-graduação pesquisador em ciências dos materiais na UC Berkeley. Ele completou seus estudos de doutorado no ano passado.
"Nosso fluxo de trabalho realmente permite que você comece a buscar o desconhecido. Você não fica mais limitado por coisas para as quais já sabe a resposta."
O novo fluxo de trabalho também pode identificar isômeros, que são moléculas com a mesma fórmula química, mas com arranjos atômicos diferentes. Isto poderia acelerar enormemente os processos de química sintética na investigação farmacêutica, por exemplo.
“Este fluxo de trabalho é o primeiro desse tipo em que os usuários podem gerar sua própria biblioteca e ajustá-la à qualidade dessa biblioteca sem depender de um banco de dados externo”, disse Venetos.
Avanço de novos aplicativos
Na indústria farmacêutica, os desenvolvedores de medicamentos utilizam atualmente algoritmos de aprendizagem automática para rastrear virtualmente centenas de compostos químicos a fim de identificar potenciais novos candidatos a medicamentos com maior probabilidade de serem eficazes contra cancros específicos e outras doenças. Esses métodos de triagem vasculham bibliotecas on-line ou bancos de dados de compostos conhecidos (ou produtos de reação) e os combinam com prováveis “alvos” de drogas nas paredes celulares.
Mas se um investigador de medicamentos estiver a experimentar moléculas tão novas que as suas estruturas químicas ainda não existam numa base de dados, normalmente terá de passar dias no laboratório para resolver a composição molecular da mistura. Primeiro, passando os produtos da reação por uma máquina de purificação e depois usando uma das ferramentas de caracterização mais úteis no arsenal de um químico sintético, um espectrômetro de RMN, para identificar e medir as moléculas na mistura, uma de cada vez.
“Mas com nosso novo fluxo de trabalho, você poderia fazer todo esse trabalho em algumas horas”, disse Venetos. A economia de tempo vem da capacidade do fluxo de trabalho de analisar com rapidez e precisão os espectros de RMN de misturas de reação não purificadas que contêm vários compostos, uma tarefa que é impossível através de métodos convencionais de análise espectral de RMN.
"Estou muito entusiasmado com este trabalho, pois ele aplica novos métodos baseados em dados ao antigo problema de acelerar a síntese e a caracterização", disse a autora sênior Kristin Persson, cientista sênior do corpo docente da Divisão de Ciências de Materiais do Berkeley Lab e professora da UC Berkeley. de ciência e engenharia de materiais que também lidera o Projeto de Materiais.
Resultados experimentais
Além de ser muito mais rápido que os métodos de purificação de bancada, o novo fluxo de trabalho tem potencial para ser igualmente preciso. Experimentos de simulação de RMN realizados usando o Centro Nacional de Computação Científica de Pesquisa Energética (NERSC) no Berkeley Lab com o apoio do Projeto de Materiais mostraram que o novo fluxo de trabalho pode identificar corretamente moléculas de compostos em misturas de reação que produzem isômeros e também prever as concentrações relativas desses compostos.
Para garantir alta precisão estatística, a equipe de pesquisa usou um algoritmo sofisticado conhecido como Hamiltonian Monte Carlo Markov Chain (HMCMC) para analisar os espectros de RMN. Eles também realizaram cálculos teóricos avançados baseados em um método chamado teoria do funcional da densidade.
Venetos projetou o fluxo de trabalho automatizado como código aberto para que os usuários possam executá-lo em um computador desktop comum. Essa conveniência será útil para qualquer pessoa da indústria ou da academia.
A técnica surgiu de conversas entre o grupo Persson e os colaboradores experimentais Masha Elkin e Connor Delaney, ex-pesquisadores de pós-doutorado do grupo John Hartwig na UC Berkeley. Elkin é agora professor de química no Instituto de Tecnologia de Massachusetts e Delaney professor de química na Universidade do Texas em Dallas.
"No desenvolvimento de reações químicas, estamos constantemente gastando tempo para descobrir o que uma reação produziu e em que proporção", disse John Hartwig, cientista sênior da Divisão de Ciências Químicas do Berkeley Lab e professor de química da UC Berkeley.
"Certos métodos de espectrometria de RMN são precisos, mas se alguém estiver decifrando o conteúdo de uma mistura de reação bruta contendo um monte de produtos potenciais desconhecidos, esses métodos são lentos demais para serem usados como parte de um fluxo de trabalho experimental ou automatizado de alto rendimento. E isso é onde esta nova capacidade de prever o espectro de RMN poderia ajudar", disse ele.
Agora que demonstraram o potencial do fluxo de trabalho automatizado, Persson e sua equipe esperam incorporá-lo em um laboratório automatizado que analise os dados de RMN de milhares ou mesmo milhões de novas reações químicas de cada vez.
