L'apprentissage automatique a été largement utilisé dans les sciences chimiques pour la conception de médicaments et d'autres processus.

Les modèles qui sont testés de manière prospective pour de nouveaux résultats de réaction et utilisés pour améliorer la compréhension humaine afin d'interpréter les décisions de réactivité chimique prises par ces modèles sont extrêmement limités.

Les innovateurs de l'Université Purdue ont introduit des organigrammes de réactivité chimique pour aider les chimistes à interpréter les résultats des réactions à l'aide de modèles d'apprentissage automatique statistiquement robustes formés sur un petit nombre de réactions. L'ouvrage est publié dans Lettres organiques .

"Le développement de réactions nouvelles et rapides est essentiel pour la conception de bibliothèques chimiques dans la découverte de médicaments, " dit Gaurav Chopra, professeur adjoint de chimie analytique et physique au Collège des sciences de Purdue. « Nous avons développé un nouveau, réaction rapide et monocomposant (MCR) de N-sulfonylimines qui a été utilisée comme cas représentatif pour générer des données d'entraînement pour les modèles d'apprentissage automatique, prédire les résultats des réactions et tester de nouvelles réactions de manière prospective à l'aveugle.

« Nous nous attendons à ce que ce travail ouvre la voie au changement de paradigme actuel en développant des des modèles d'apprentissage machine compréhensibles par l'homme pour interpréter les résultats des réactions qui augmenteront la créativité et l'efficacité des chimistes humains pour découvrir de nouvelles réactions chimiques et améliorer les pipelines de chimie organique et de procédé."

Chopra a déclaré que l'approche d'apprentissage automatique interprétable par l'homme de l'équipe Purdue, présentés sous forme d'organigrammes de réactivité chimique, peut être étendu pour explorer la réactivité de tout MCR ou de toute réaction chimique. Il n'a pas besoin de robotique à grande échelle puisque ces méthodes peuvent être utilisées par les chimistes tout en effectuant le criblage des réactions dans leurs laboratoires.

"Nous fournissons le premier rapport d'un cadre pour combiner des expériences de chimie synthétique rapides et des calculs chimiques quantiques pour comprendre le mécanisme de réaction et des modèles d'apprentissage automatique statistiquement robustes et interprétables par l'homme pour identifier des modèles chimiques pour prédire et tester expérimentalement la réactivité hétérogène des N-sulfonylimines, ", a déclaré Chopra.

« L'utilisation sans précédent d'un modèle d'apprentissage automatique pour générer des organigrammes de réactivité chimique nous a aidés à comprendre la réactivité de différentes N-sulfonylimines traditionnellement utilisées dans les MCR, " dit Krupal Jethava, un stagiaire postdoctoral dans le laboratoire de Chopra, qui a co-écrit l'ouvrage. "Nous pensons que travailler main à main avec des chimistes organiques et computationnels ouvrira une nouvelle voie pour résoudre des problèmes de réactivité chimique complexes pour d'autres réactions à l'avenir."

Chopra a déclaré que les chercheurs de Purdue espèrent que leur travail ouvrira la voie pour devenir l'un des nombreux exemples qui mettront en valeur la puissance de l'apprentissage automatique pour le développement de nouvelles méthodologies synthétiques pour la conception de médicaments et au-delà à l'avenir.

"Dans ce travail, nous nous sommes efforcés de faire en sorte que notre modèle d'apprentissage automatique puisse être facilement compris par des chimistes peu versés dans ce domaine, " a déclaré Jonathan Fine, un ancien étudiant diplômé de Purdue, qui a co-écrit l'ouvrage. "Nous pensons que ces modèles ont la capacité non seulement d'être utilisés pour prédire des réactions, mais aussi pour mieux comprendre quand une réaction donnée se produira. Pour le démontrer, nous avons utilisé notre modèle pour guider des substrats supplémentaires afin de tester si une réaction se produira."