摘要
新算法对复杂化学反应结果的识别准确率达到90%。它帮助化学家如何制造目标化合物，提供化学“地图”到所需的目的地。研究结果发表在《美国化学学会中央科学与化学通讯》杂志上。
新算法对复杂化学反应结果的识别准确率达到90%。它帮助化学家如何制造目标化合物，提供化学“地图”到所需的目的地。研究结果发表在《ACS Central Science and Chemical Communications》杂志上。
领导这项研究的剑桥卡文迪什实验室的Alpha Lee博士说:“制造分子通常被描述为一种通过反复试验来实现的艺术，因为我们对化学反应性的理解还远远没有完成。”“机器学习算法可以更好地理解化学，因为它们能从数百万种已发表的化学反应中提炼出反应模式，而这是化学家无法做到的。”
由Lee和他的团队开发的算法使用模式识别工具，通过对专利中发表的数百万种反应的模型进行训练，来识别分子中的化学基团是如何反应的。
研究人员将化学反应预测视为一个机器翻译问题。反应分子被认为是一种“语言”，而产物被认为是一种不同的语言。然后，该模型使用文本中的模式来学习如何在两种语言之间进行“翻译”。
使用这种方法，该模型预测未知化学反应的正确产物的准确率达到90%，而训练有素的人类化学家的准确率约为80%。研究人员表示，该模型足够精确，可以检测到数据中的错误，并正确预测出大量的困难反应。
模型也知道它不知道什么。它产生一个不确定性评分，消除了不正确的预测，准确率为89%。由于实验耗时，准确的预测对于避免昂贵的实验路径最终以失败告终至关重要。
在第二项研究中，Lee和他的团队与生物制药公司辉瑞合作，展示了这种方法在药物发现方面的实用潜力。
研究人员表示，在接受已发表的化学研究训练时，该模型能够基于实验室笔记准确预测反应，表明该模型已经掌握了化学规则，可以应用于药物发现设置。
研究小组还表明，该模型可以预测一系列的反应，从而得到理想的产品。他们将这种方法应用于不同的类药物分子，表明它预测的步骤在化学上是合理的。这项技术可以大大缩短临床前药物发现的时间，因为它为药物化学家提供了从哪里开始的蓝图。
“我们的平台就像化学的GPS，”李说，他也是圣凯瑟琳学院的研究员。“它告诉化学家一个反应是去还是不去，以及如何引导反应路线来制造一个新分子。”
剑桥大学的研究人员目前正在利用这一反应预测技术，开发一个完整的平台，在药物发现和材料发现的设计-制造-测试循环之间架起桥梁:预测有前景的生物活性分子、制造那些复杂有机分子的方法，以及选择信息量最大的实验。
研究人员目前正致力于从该模型中提取化学信息，试图理解它所了解到的人类所没有的东西。
参与这两项研究的合成有机化学博士生彼得·博尔加(Peter Bolgar)说:“如果我们能了解模型预测的模式，我们就有可能在化学方面取得很大进展。”“这个模型和人类化学家一起，将会在设计实验方面变得非常强大，这比没有另一个模型的情况下要强大得多。”
来源：Medindia
此文系悬壶济世网原创整理，没有授权，请勿转载！
