Os pesquisadores desenvolveram um algoritmo de aprendizado de máquina que prevê o resultado de reações químicas com muito mais precisão do que químicos treinados e sugere maneiras de fazer moléculas complexas, removendo um obstáculo significativo na descoberta de drogas.

Pesquisadores da Universidade de Cambridge mostraram que um algoritmo pode prever os resultados de reações químicas complexas com mais de 90% de precisão, superando os químicos treinados. O algoritmo também mostra aos químicos como fazer compostos alvo, fornecendo o "mapa" químico para o destino desejado. Os resultados são relatados em dois estudos nas revistas ACS Central Science e Comunicações Químicas .

Um desafio central na descoberta de medicamentos e na ciência dos materiais é encontrar maneiras de fazer moléculas orgânicas complicadas por meio da união química de blocos de construção mais simples. O problema é que esses blocos de construção costumam reagir de maneiras inesperadas.

"A produção de moléculas é frequentemente descrita como uma arte realizada com experimentação de tentativa e erro, porque nossa compreensão da reatividade química está longe de ser completa, "disse o Dr. Alpha Lee do Laboratório Cavendish de Cambridge, quem liderou os estudos. "Os algoritmos de aprendizado de máquina podem ter uma melhor compreensão da química porque destilam padrões de reatividade de milhões de reações químicas publicadas, algo que um químico não pode fazer. "

O algoritmo desenvolvido por Lee e seu grupo usa ferramentas de reconhecimento de padrões para reconhecer como grupos químicos em moléculas reagem, treinando o modelo em milhões de reações publicadas em patentes.

Os pesquisadores consideraram a previsão da reação química um problema de tradução automática. As moléculas reagentes são consideradas como uma linguagem, enquanto o produto é considerado um idioma diferente. O modelo então usa os padrões do texto para aprender como traduzir entre os dois idiomas.

Usando essa abordagem, o modelo atinge 90% de precisão na previsão do produto correto de reações químicas invisíveis, enquanto a precisão de químicos humanos treinados é de cerca de 80%. Os pesquisadores dizem que o modelo é preciso o suficiente para detectar erros nos dados e prever corretamente uma infinidade de reações difíceis.

O modelo também sabe o que não sabe. Ele produz uma pontuação de incerteza, que elimina previsões incorretas com 89% de precisão. Como os experimentos são demorados, a previsão precisa é crucial para evitar a busca por caminhos experimentais caros que eventualmente terminam em fracasso.

No segundo estudo, Lee e seu grupo, colaborando com a empresa biofarmacêutica Pfizer, demonstrou o potencial prático do método na descoberta de medicamentos.

Os pesquisadores mostraram que, quando treinados em pesquisas publicadas em química, o modelo pode fazer previsões precisas de reações com base em cadernos de laboratório, mostrando que o modelo aprendeu as regras da química e pode aplicá-las a configurações de descoberta de medicamentos.

A equipe também mostrou que o modelo pode prever sequências de reações que levariam a um produto desejado. Eles aplicaram esta metodologia a diversas moléculas semelhantes a drogas, mostrando que as etapas que ele prevê são quimicamente razoáveis. Essa tecnologia pode reduzir significativamente o tempo de descoberta de medicamentos pré-clínicos porque fornece aos químicos medicinais um plano de por onde começar.

"Nossa plataforma é como um GPS para química, "disse Lee, que também é pesquisador no St Catharine's College. "Ele informa aos químicos se a reação é ir ou não, e como navegar pelas rotas de reação para fazer uma nova molécula. "

Os pesquisadores de Cambridge estão atualmente usando esta tecnologia de previsão de reação para desenvolver uma plataforma completa que faz a ponte entre o ciclo design-make-test na descoberta de drogas e descoberta de materiais:prevendo moléculas bioativas promissoras, maneiras de fazer essas moléculas orgânicas complexas, e selecionar os experimentos mais informativos. Os pesquisadores agora estão trabalhando na extração de percepções químicas do modelo, tentando entender o que aprendeu que os humanos não.

"Podemos potencialmente fazer muito progresso na química se aprendermos que tipos de padrões o modelo está procurando para fazer uma previsão, "disse Peter Bolgar, um Ph.D. estudante de química orgânica sintética envolvida em ambos os estudos. "O modelo e os químicos humanos juntos se tornariam extremamente poderosos na concepção de experimentos, mais do que cada um seria sem o outro. "