Cependant, une sélection subjective des substrats aboutit souvent à une image déformée de la gamme d'applications de la réaction nouvellement développée. Il est souvent difficile de savoir si elle peut être utilisée pour synthétiser un produit souhaité. Pour résoudre ce problème, une équipe dirigée par le chimiste Frank Glorius de l'Université de Münster (Allemagne) propose une méthode assistée par ordinateur et sans biais pour sélectionner les substrats modèles afin d'évaluer de nouvelles réactions chimiques.

La sélection des substrats est basée sur la complexité et les propriétés structurelles des véritables composés pharmaceutiques. "Notre méthode vise à améliorer la qualité et le contenu informatif des données sur les réactions chimiques à l'avenir et à combler les lacunes dans les connaissances", explique Glorius.

Une compréhension plus approfondie des nouvelles réactions réduit les obstacles à leur application dans un contexte académique et industriel. La disponibilité de données impartiales et de haute qualité facilite également considérablement l’utilisation de l’apprentissage automatique et ouvre la voie à une utilisation plus complète des données. Les travaux ont été publiés dans la revue ACS Central Science .

Selon les auteurs de l'équipe, les tentatives visant à normaliser et à objectiver le développement et l'évaluation des réactions chimiques sont encore assez nouvelles et relativement rares. "Nous aimerions lancer un 'processus de réflexion' avec notre publication. Au lieu de réaliser autant d'expériences que possible, qui sont souvent biaisées ou ont un résultat prévisible, l'accent devrait être mis sur l'obtention des meilleures données possibles sur les nouvelles réactions chimiques." » déclare le premier auteur Debanjan Rana.

D'autres scientifiques ont également tenté d'évaluer les réactions chimiques sur la base de substrats « mieux » sélectionnés. Cependant, ce travail s'est limité à des cas particuliers :soit à des structures fermement sélectionnées ayant une pertinence pharmaceutique, soit à des structures spécialement adaptées à une seule réaction, qui doivent être calculées et sélectionnées dans le cadre d'un processus complexe.

Contrairement aux travaux précédents, la méthode présentée par l'équipe de Münster prend en compte toute la structure d'une molécule, ce qui la rend universellement applicable à toute réaction chimique.

Niklas Hölter, l'un des auteurs de l'article à Münster, explique le processus de réflexion derrière l'étude :"La portée est d'une importance centrale dans toutes les publications sur la synthèse chimique. Cependant, les chimistes sont souvent biaisés dans leur choix de composés substrats à tester.

« Ils choisissent par exemple des substrats structurellement très simples, très similaires au substrat modèle ou simplement disponibles en laboratoire (« biais de sélection »). Souvent, ils ne mentionnent pas du tout les réactions infructueuses dans leur publication afin de peindre une meilleure image (« biais de reporting »)."

Lors de la synthèse de nouveaux composés chimiques, tels que des ingrédients ou des matériaux actifs, les chimistes doivent sélectionner la méthode la plus appropriée pour produire le composé cible parmi un grand nombre de réactions et de méthodes chimiques connues. Pour ce faire, ils prennent en compte plusieurs facteurs, tels que le rendement du produit souhaité ainsi que les aspects environnementaux et de sécurité. Le développement de nouvelles réactions chimiques polyvalentes continue donc d'être au centre de la recherche chimique actuelle.

La méthode développée par l'équipe de l'Université de Münster a utilisé des empreintes moléculaires pour transférer tous les principes pharmaceutiques actifs approuvés dans un code numérique. À l'aide de méthodes d'apprentissage automatique et de regroupement non supervisées, ils ont créé un modèle qui divise cet « espace » d'ingrédients pharmaceutiques actifs en régions chimiquement significatives basées sur des structures moléculaires.

Pour évaluer une nouvelle réaction chimique, des milliers de substrats de test potentiels peuvent être projetés dans le même espace à l’aide du modèle d’apprentissage automatique. Un substrat de test est automatiquement sélectionné au centre de chacune des régions précédemment identifiées pour couvrir tout l'espace sans biais.