Skip to content Skip to footer

将人工智能和实时分析集成到合成化学中

image-20231226215537318

在快速发展的合成化学领域,自动化和实时反应监测的出现是进步和创新的灯塔。在整个故事中,实时分析方法与人工智能和机器学习无缝结合。这种整合是一种理论上理想和实用的解决方案,为确定最佳反应条件提供了加速途径。更重要的是,它标志着朝着实现无差错、自主合成迈出了一大步。“化学合成的自动化、分析和人工智能”一文中提出的论述不仅仅是一个观察;这是采用跨学科方法的号角,这是塑造合成化学未来发展轨迹的重要组成部分。

SARS-CoV-2 病毒的出现需要快速药物开发,而合成化学在此过程中发挥了关键作用。特别是,辉瑞公司开发了Nirmatrelvir,这种药物已成为口服的生物可利用的冠状病毒蛋白酶抑制剂。开发速度很重要,因为从发现到获得紧急使用授权只用了 17 个月。

化学家在合成复杂分子时面临许多挑战,尤其是在资源和期限有限的情况下。在文章中,作者讨论了化学方法的变化,包括使用有助于提高分析数据数量和准确性的技术。文中提到了高通量实验(HTE)和数据到达实验(DRE)等技术,这些技术侧重于实时获取和分析反应过程的数据。它们通过提供有关反应动力学和其他参数的详细信息来简化合成路线的搜索和优化。

为什么自动化对于在反应研究中成功实施Data-Reach Experiments策略很重要?

首先,设备和仪器的自动化是必要的,以便在整个过程中准确、系统地重复采样和分析反应。这在使用不同技术的分析中尤为重要,例如高效液相色谱-质谱、核磁共振波谱和高分辨率质谱。自动化可以更频繁、更准确地获取数据,而不会失去手动工作的动力。

其次,分析数据的庞大和复杂性需要软件自动化来注释、处理原始数据并将其转换为信息趋势。这使得分析和使用实验结果变得更加容易。

第三,自动化允许复杂的反应操作,例如精确的温度变化或催化剂剂量,从而可以从通常需要多个独立实验的单个实验中获取数据。

虽然现代研究范式侧重于使用自动化来生成大量数据,但操作员或研究人员通常手动进行最终解释和脚本编写。

机器学习和人工智能是强大的工具,可以改善识别反应条件的过程并加快实验过程。基于从高通量实验(HTE)或文献来源获得的实验数据,开发了预测模型,可以预测进行未知转化的反应条件。

自动化优化平台将机器人反应执行、采样和数据分析与 ML 优化算法相结合。这减少了确定理想反应条件所需的实验次数。然而,这两种方法都将实验结果简化为单一指标,可以简化复杂化学反应的分析,这并不能再现化学反应的真正复杂性和异质性。

使用文献数据可能会导致模棱两可的结果,因为它们可能会被扭曲,以支持经常发表的反应条件而不是最佳反应条件。将所获得的数据系统化的尝试仍处于早期阶段。

实时反应监测被认为是一个重要优势,因为它可以获得完整的动力学数据,从而解决与数据完整性和偏差相关的问题。它还为研究反应类型的演变和获得该过程的完整图景提供了机会。

总之,作者强调了机器学习在推进合成化学方面的重要作用,强调了它对加速科学突破的贡献,并需要精确、有据可查的实验。实时反应分析与机器学习和人工智能工具的结合正在彻底改变该领域,正如 Nirmatrelvir 等产品的快速开发和商业化所见。

对于那些有兴趣进一步探索这一领域的人,Chemspace提供了一系列将机器学习和人工智能集成到化学中的服务,包括千兆级分子对接(V-SYNTHES)和虚拟筛选,以实现高效的化合物发现。这些工具展示了这些技术在合成化学领域的实际应用和优势。