استخدام التعلم الآلي لاكتشاف محفزات انتقائية للغاية
استخدم الباحثون في Max Planck Institut für Kohlenforschung روبوت التركيب الكيميائي ونموذج الذكاء الاصطناعي (AI) الفعال من الناحية الحسابية للتنبؤ بالمحفزات الانتقائية للغاية والتحقق من صحتها بنجاح.
تصدرت منظمة العفو الدولية عناوين الأخبار مؤخرًا بسبب قدرة معالجة اللغة في ChatGPT. لا يزال إنشاء أداة قوية مماثلة لتصميم التفاعل الكيميائي يمثل تحديًا كبيرًا، خاصة بالنسبة للتفاعلات التحفيزية المعقدة.
للتغلب على هذا، ابتكر الباحثون طريقة التعلم الآلي التي تستخدم واصفات كيميائية ثنائية الأبعاد متقدمة وفعالة للتنبؤ بدقة بالمحفزات غير المتماثلة الانتقائية للغاية دون الحاجة إلى حسابات كيميائية كمومية.
نُشرت الورقة المقابلة للدراسة، ” التنبؤ بالمحفزات الانتقائية للغاية باستخدام واصفات شظية قابلة للضبط “، في مجلة Angewandte Chemie International Edition .
إنتاج نموذج أكثر دقة
قال نوبويا تسوجي، المؤلف الأول المشترك للدراسة: “كانت هناك العديد من التقنيات المتقدمة التي يمكنها التنبؤ بهياكل المحفزات، لكن هذه الأساليب غالبًا ما تتطلب استثمارات كبيرة من موارد الحساب والوقت، ومع ذلك كانت دقتها محدودة”.
“في هذا المشروع، قمنا بتطوير نموذج تنبؤي يمكنك تشغيله حتى مع جهاز كمبيوتر محمول عادي.”
لكي يتعلم الكمبيوتر المعلومات الكيميائية، عادةً ما يتم تمثيل الجزيئات كمجموعة من الواصفات، والتي تتكون غالبًا من أجزاء صغيرة أو أجزاء من تلك الجزيئات.
هذه أسهل بالنسبة للذكاء الاصطناعي للمعالجة ويمكن ترتيبها وإعادة ترتيبها لبناء جزيئات مختلفة، تمامًا مثل قطع Lego التي يمكن وضعها وربطها بطرق مختلفة لبناء هياكل أخرى.
ومع ذلك، فقد كافحت الواصفات ثنائية الأبعاد الأرخص حسابيًا لتمثيل هياكل المحفز المعقدة بدقة، مما أدى إلى تنبؤات غير دقيقة.
لتحسين هذه المشكلة، طور الباحثون واصفات جديدة لـ “البنية التحتية الدائرية” (CircuS) ثنائية الأبعاد والتي تمثل صراحة الهياكل الهيدروكربونية الحلقية والمتفرعة، والتي تكون شائعة في المحفزات.
تم الحصول على بيانات التدريب الخاصة بالذكاء الاصطناعي من خلال التجارب عبر عملية مبسطة وشبه آلية تستخدم روبوتًا اصطناعيًا. ثم تم تحويل هذه البيانات التجريبية إلى واصفات واستخدامها لتدريب نموذج الذكاء الاصطناعي.
ما هي مزايا النماذج ثنائية الأبعاد؟
استخدم الباحثون النموذج المدربين تدريباً كاملاً لاختبار 190 محفزًا تقريبًا لم تكن جزءًا من بيانات التدريب.
في هذه المجموعة، يمكن أن يتنبأ نموذج الذكاء الاصطناعي بالمحفزات الانتقائية للغاية بعد أن يتم تدريبه فقط على بيانات المحفزات ذات الانتقائية المعتدلة، مما يُظهر القدرة على الاستقراء خارج بيانات التدريب.
تم بعد ذلك اختبار المحفز المتوقع أن يكون لديه أعلى انتقائية تجريبيًا، وأظهر انتقائية مماثلة تقريبًا لتلك التي تنبأ بها نموذج الذكاء الاصطناعي.
الحصول على انتقائية عالية أمر بالغ الأهمية بشكل خاص لتصميم الأدوية الجديدة. توفر هذه التقنية للكيميائيين إطارًا قويًا لتحسين الانتقائية الفعالة في كل من تكاليف الحساب والعمالة.
في كثير من الأحيان، يستخدم الكيميائيون نماذج تستند إلى الحسابات الكيميائية الكمومية للتنبؤ بالمحفزات الانتقائية الجديدة.
ومع ذلك، فإن مثل هذه النماذج مكلفة من الناحية الحسابية، وعندما يزداد عدد المركبات وحجم الجزيئات، يصبح تطبيقها محدودًا “، كما علق بافيل سيدوروف ، وهو مؤلف أول مشترك آخر للدراسة.
واختتم سيدوروف قائلاً: “النماذج القائمة على الهياكل ثنائية الأبعاد أرخص بكثير، وبالتالي يمكنها معالجة مئات وآلاف الجزيئات في ثوانٍ. وهذا يسمح للكيميائيين بتصفية المركبات التي قد لا يهتمون بها بسرعة أكبر “.
المصدر: innovationnewsnetwork
إقراء ايضا:
