Ein Team von Chemieingenieuren am MIT hat mit seinem neuartigen Modell für maschinelles Lernen einen großen Fortschritt bei der Rationalisierung der Synthese von chemischen Verbindungen, einschließlich Arzneimitteln, erzielt. Dieses leistungsstarke Werkzeug kann die Löslichkeit eines Moleküls in verschiedenen organischen Lösungsmitteln vorhersagen - ein entscheidender Schritt in der Arzneimittelentwicklung. Dies kann nicht nur die Herstellung neuer Behandlungen beschleunigen, sondern bietet auch die Möglichkeit, sicherere und nachhaltigere Optionen für industrielle Lösungsmittel zu finden.
Die Bedeutung der Auswahl des am besten geeigneten Lösungsmittels in der chemischen Synthese kann gar nicht hoch genug eingeschätzt werden. Angesichts der Vielzahl verfügbarer organischer Lösungsmittel wie Ethanol und Aceton, die sich hinsichtlich ihrer Umweltverträglichkeit und Wirksamkeit unterscheiden, ist die Fähigkeit, eine präzise und effiziente Wahl zu treffen, von entscheidender Bedeutung. Hier kommt das innovative Modell ins Spiel, das von den Doktoranden Lucas Attia und Jackson Burns entwickelt wurde. “Die Vorhersage der Löslichkeit ist tatsächlich ein geschwindigkeitsbestimmender Schritt bei der synthetischen Planung und Herstellung von Chemikalien, insbesondere von Arzneimitteln. Es besteht seit langem ein großes Interesse daran, die Löslichkeit besser vorhersagen zu können”, erklärt Attia.
Das Modell, liebevoll genannt FastSolv, ist frei zugänglich und wird bereits von mehreren Forschungslabors und Unternehmen genutzt. Ein wesentlicher Vorteil besteht darin, dass sich damit weniger gefährliche Ersatzstoffe für die üblicherweise verwendeten industriellen Lösungsmittel finden lassen. “Es gibt einige Lösungsmittel, von denen bekannt ist, dass sie fast alles auflösen. Sie sind zwar nützlich, aber schädlich für die Umwelt und den Menschen. Unser Modell ist äußerst nützlich, um das nächstbeste Lösungsmittel zu identifizieren, das hoffentlich weitaus weniger schädlich ist”, erklärt Burns.
Interessanterweise war diese Erfindung das Ergebnis eines Lehrplanprojekts am MIT, bei dem maschinelles Lernen mit Chemieingenieurwesen kombiniert wurde. Zuvor war das Abraham-Solvationsmodell das Mittel der Wahl, um die Löslichkeit auf der Grundlage der Molekülstruktur abzuschätzen, auch wenn seine Genauigkeit begrenzt war.
Um solche Einschränkungen zu überwinden, führte das Green Lab des MIT im Jahr 2022 SolProp ein. Obwohl das Modell thermodynamische Eigenschaften zur Vorhersage der Löslichkeit nutzte, stieß es bei unbekannten Molekülen – wie sie in der Arzneimittelentwicklung häufig vorkommen – an seine Grenzen. Der Durchbruch stand, wie sich herausstellte, mit der Veröffentlichung eines umfassenden Datensatzes – BigSolDB im Jahr 2023 – kurz bevor. Dieser umfasste Löslichkeitsdaten aus fast 800 wissenschaftlichen Artikeln und deckte fast 800 Moleküle sowie mehr als 100 Lösungsmittel ab. Unter Nutzung dieses riesigen Datenpools entwickelten und trainierten Attia und Burns zwei Modelle – FastProp und ChemProp – mit über 40.000 Datenpunkten, die sogar Temperatureinflüsse berücksichtigten.
Das Duo war angenehm überrascht festzustellen, dass beide Modelle eine hervorragende Leistung zeigten und Vorhersagen lieferten, die zwei- bis dreimal genauer waren als die von SolProp, wobei insbesondere temperaturabhängige Änderungen der Löslichkeit erfasst wurden. “Wir waren völlig verblüfft, als wir feststellten, dass sich die statischen und die gelernten Einbettungen in ihrer Leistung statistisch nicht unterscheiden ließen. Das deutet darauf hin, dass die Datenqualität der Hauptengpass ist und nicht die Modellarchitektur”, erklärte Burns.
Tatsächlich besteht Spielraum für noch bessere Ergebnisse mit einheitlicheren experimentellen Daten, da Abweichungen bei den von verschiedenen Labors durchgeführten Löslichkeitstests zu Rauschen und Datenvariabilität führen. Eine Minderung dieser Effekte könnte die Wirksamkeit des Modells weiter verbessern. “Eine der größten Einschränkungen bei der Verwendung solcher zusammengestellten Datensätze besteht darin, dass verschiedene Labore unterschiedliche Methoden und Versuchsbedingungen anwenden”, betonte Attia. Trotz dieser Einschränkungen beweist FastSolv, das für seine Schnelligkeit und Benutzerfreundlichkeit bekannt ist, bereits seine universelle Anwendbarkeit in der pharmazeutischen Entwicklung, der Materialwissenschaft und im Bereich der grünen Chemie. Burns fügt hinzu: “Es gibt Anwendungsmöglichkeiten entlang der gesamten Pipeline der Wirkstoffforschung. Wir sind auch gespannt darauf zu sehen, wo dieses Modell außerhalb der Formulierung und der Wirkstoffforschung noch zum Einsatz kommen könnte.”
Diese bahnbrechende Entwicklung wurde durch die Finanzierung des US-Energieministeriums ermöglicht. Eine ausführlichere Untersuchung dieses Durchbruchs finden Sie im Originalartikel unter MIT-Nachrichten.
Diese Website verwendet Cookies.