Il existe désormais peu de problèmes que l’IA et l’apprentissage automatique ne peuvent aider à résoudre. Des chercheurs de l'Université nationale de Yokohama utilisent cet avantage moderne pour résoudre ce que les méthodes conventionnelles ne peuvent pas résoudre.
Il y a de nombreuses règles à retenir lorsqu'il s'agit d'interaction de molécules carbonées (ou organiques) :le positionnement des groupes sur la molécule qui interagissent avec son environnement, la taille, la forme et la position de la molécule, et la molécule avec laquelle c'est en interaction. Le résultat d’une réaction donnée peut être très différent en fonction de ces facteurs et bien d’autres encore, et prédire ces résultats s’est avéré être un véritable défi dans le domaine chimique. Contrôler le résultat est un élément essentiel de la synthèse chimique, mais les prédictions ne suffisent pas toujours.
Heureusement, l’apprentissage automatique et l’intelligence artificielle (IA) peuvent une fois de plus contribuer à faire avancer les progrès en prédisant le taux ou la sélectivité d’une réaction donnée. Par conséquent, cette technologie peut être utile pour prédire quel produit peut être attendu.
Les chercheurs ont publié leurs résultats dans le Journal of Chemical Information and Modeling. .
En chimie organique, chaque détail compte. Deux domaines communs qui peuvent affecter la manière dont une molécule s'interface avec d'autres molécules sont les stériques et les orbitales. Les stériques font référence à la disposition des molécules et les effets stériques peuvent déterminer la forme et la réactivité de la molécule. Cela peut être dû à la taille ou à la charge de la molécule ou de l’atome individuel. Les orbitales sont un moyen d'expliquer l'emplacement le plus probable des électrons qui, à leur tour, peuvent interagir avec d'autres molécules ou atomes pour provoquer des réactions.
Ces facteurs peuvent changer radicalement là où un nucléophile, ou un réactif donneur d'électrons, peut s'attacher à la molécule réceptrice. C'est ce qu'on appelle la « sélectivité » et selon l'endroit où la molécule se fixe, les résultats peuvent former différents produits ou rendements du produit souhaité. Les chercheurs utilisent l'IA et l'apprentissage automatique ainsi que les connaissances actuelles sur les réactions chimiques pour mieux expliquer ces aspects de la sélectivité moléculaire.
"Pour déterminer quelles informations peuvent être utilisées comme informations chimiques essentielles à fournir à l'IA, il est nécessaire de combiner les connaissances chimiques avec celles de l'IA et de l'apprentissage automatique", a déclaré l'auteur correspondant Hiroaki Gotoh, professeur agrégé à la faculté d'ingénierie de Yokohama. Université nationale.
Premièrement, l'ordinateur devait recevoir des informations à partir desquelles il pouvait apprendre. Les informations issues de la littérature en chimie computationnelle et les informations issues d’études antérieures ont été utilisées pour démarrer le processus d’enseignement de l’IA. Après une saisie manuelle des données pour les molécules spécifiques utilisées et la définition des paramètres optimaux, des analyses de données ont été effectuées sur la base des résultats prévus de l'ensemble de données de test. Ces analyses permettent à l'IA d'apprendre et de prédire les sélectivités futures sur la base d'informations déjà connues.
"Cette méthode permet une analyse et une interprétation plus complètes des mécanismes de réaction via le calcul des paramètres des espaces sphériques qui imitent l'approche des nucléophiles", a déclaré Daimon Sakaguchi, premier auteur de l'étude au département de chimie et des sciences de la vie de l'Université nationale de Yokohama.
L'étude a expliqué avec succès la sélectivité de la réaction de huit nucléophiles, en fonction de la « face » de la molécule qui produirait la quantité de produit la plus souhaitable. La sélectivité change en fonction des stériques de la molécule en plus de ses facteurs orbitaux. Les chercheurs ont découvert que pour certaines molécules, le facteur orbital est plus important dans la détermination de la sélectivité faciale, et que d'autres dépendent davantage des stériques de la molécule lorsqu'elle interagit avec son nucléophile.
La combinaison de la technologie prédictive et de l'apprentissage automatique avec des connaissances établies en chimie peut donner de meilleurs résultats de réaction chimique et aider les chimistes à synthétiser des produits naturels et des produits chimiques pharmaceutiques de manière plus rationalisée.
En rationalisant ce processus grâce à l’utilisation de l’apprentissage automatique et de l’intelligence artificielle, davantage d’expérimentations peuvent avoir lieu. Idéalement, les chercheurs espèrent collaborer avec des chimistes expérimentaux pour concevoir des réactions qui se poursuivront avec le développement d'une technologie plus prédictive pour les réactions chimiques.
Plus d'informations : Daimon Sakaguchi et al, Utilisation d'informations tridimensionnelles pour prédire et interpréter les sélectivités faciales des ajouts nucléophiles aux cétones cycliques, Journal of Chemical Information and Modeling (2024). DOI :10.1021/acs.jcim.4c00101
Informations sur le journal : Journal d'information et de modélisation chimiques
Fourni par l'Université nationale de Yokohama