Les scientifiques et les ingénieurs cherchent à développer des appareils électroniques compatibles avec notre corps :pensez à des matériaux qui peuvent aider à reconnecter les neurones après des lésions cérébrales, ou des outils de diagnostic qui peuvent être facilement absorbés dans le corps.

Une famille de peptides auto-assemblés, appelés oligopeptides -conjugués, s'est montré prometteur pour devenir la base de la prochaine génération de ces appareils électroniques, matériaux biocompatibles. Mais identifier les bonnes séquences moléculaires pour créer les nanostructures auto-assemblées optimales nécessiterait de tester des milliers de possibilités qui prennent chacune environ un mois à tester en laboratoire.

Assoc. Le professeur Andrew Ferguson et ses collaborateurs ont accéléré ce processus en développant des outils d'apprentissage automatique capables de sélectionner les meilleurs candidats. En projetant 8, 000 candidats de peptides auto-assemblés, l'équipe a pu classer chaque design. Cela ouvre la voie aux expérimentateurs pour tester les candidats les plus prometteurs.

Les résultats ont été publiés dans Le Journal de Chimie Physique B . L'article a également été sélectionné comme le choix de la rédaction de l'ACS, qui offre un accès public gratuit à de nouvelles recherches importantes pour la communauté scientifique mondiale, et figurer sur la couverture du journal.

"En comprenant la science des données, la science des matériaux, et la science moléculaire, nous avons pu trouver un moyen innovant de présélectionner de nouveaux candidats potentiels, " a déclaré Ferguson. " Le fait que cet article ait été choisi comme choix des rédacteurs en chef de l'ACS montre qu'il y a beaucoup d'intérêt à coupler l'intelligence artificielle à la science du domaine. C'est un problème important qui intéresse largement la communauté de la chimie physique. »

Classement des peptides pour les expérimentateurs

Pour vous aider à trouver les meilleurs candidats, Ferguson et l'étudiant diplômé Kirill Shmilovich ont criblé une famille d'oligopeptides -conjugués à l'aide de l'apprentissage automatique et de la simulation moléculaire. L'ensemble comprenait 8, 000 peptides potentiels, si les chercheurs gardaient le même noyau et changeaient simplement les trois acides aminés de chaque côté de la molécule. (Les acides aminés sur les côtés sont symétriques - si vous en changez un d'un côté, ça change de l'autre côté, également.)

En utilisant une forme d'apprentissage automatique connue sous le nom d'apprentissage actif ou d'optimisation bayésienne pour guider les simulations moléculaires, ils ont pu construire des modèles fiables basés sur les données de la façon dont la séquence du peptide a influencé ses propriétés après avoir considéré seulement 186 peptides.

Les prédictions du modèle pourraient ensuite être extrapolées de manière fiable pour prédire les propriétés du reste de la famille des peptides. Le processus a également supprimé les préjugés humains de l'équation, laisser l'intelligence artificielle trouver des caractéristiques de conceptions de peptides que les chercheurs n'avaient pas envisagées auparavant, ce qui en fait de meilleurs candidats.

Ils ont ensuite classé chaque peptide et remis leurs résultats à leurs collaborateurs expérimentaux, qui testera ensuite les meilleurs candidats en laboratoire. Prochain, ils espèrent étendre leur système pour inclure l'essai de différents noyaux π-conjugués, tout en réinjectant de nouvelles données expérimentales dans la boucle pour renforcer davantage leurs modèles.

Ils espèrent également utiliser ce système d'apprentissage automatique pour concevoir des protéines, optimiser les colloïdes auto-assemblés pour fabriquer des cristaux atomiques, et même d'intégrer un jour ces outils dans un laboratoire autonome, où l'intelligence artificielle prendrait des données, créer des prédictions, faire des expériences, puis réinjectez ces données dans le modèle, le tout sans intervention humaine.

"C'est une méthode qui pourrait être utile dans de nombreux domaines différents, " a déclaré Ferguson.