FastSolv<\/a>ist frei zug\u00e4nglich und wird bereits von mehreren Forschungslabors und Unternehmen genutzt. Ein gro\u00dfer Vorteil ist die M\u00f6glichkeit, weniger gef\u00e4hrliche Ersatzstoffe f\u00fcr die \u00fcblicherweise verwendeten industriellen L\u00f6sungsmittel zu finden. \"Es gibt einige L\u00f6sungsmittel, von denen bekannt ist, dass sie die meisten Dinge aufl\u00f6sen. Sie sind zwar n\u00fctzlich, aber sch\u00e4dlich f\u00fcr die Umwelt und f\u00fcr die Menschen. Unser Modell ist \u00e4u\u00dferst n\u00fctzlich, um das n\u00e4chstbeste L\u00f6sungsmittel zu finden, das hoffentlich viel weniger sch\u00e4dlich ist\", erkl\u00e4rt Burns.<\/p>\nGeburt und Entwicklung eines spielver\u00e4ndernden Modells<\/h4>\n
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 L\u00f6slichkeit auf der Grundlage der Molek\u00fclstruktur abzusch\u00e4tzen, auch wenn seine Genauigkeit begrenzt war.<\/p>\n
Um solche Beschr\u00e4nkungen zu \u00fcberwinden, f\u00fchrte das Green Lab des MIT im Jahr 2022 SolProp ein. Obwohl es thermodynamische Eigenschaften zur Vorhersage der L\u00f6slichkeit nutzte, scheiterte es an unbekannten Molek\u00fclen, wie sie in der Arzneimittelentwicklung h\u00e4ufig vorkommen. Wie sich herausstellte, stand der Durchbruch kurz bevor, als 2023 ein umfassender Datensatz - BigSolDB - ver\u00f6ffentlicht wurde. Dieser Datensatz umfasste L\u00f6slichkeitsdaten aus fast 800 wissenschaftlichen Arbeiten und umfasste fast 800 Molek\u00fcle und \u00fcber 100 L\u00f6sungsmittel. Mit Hilfe dieses riesigen Reservoirs erstellten und trainierten Attia und Burns zwei Modelle - FastProp und ChemProp - mit \u00fcber 40.000 Datenpunkten, die sogar Temperatureinfl\u00fcsse ber\u00fccksichtigten.<\/p>\n
Beeindruckende Ergebnisse und Zukunftspotenzial<\/h4>\n
Das Duo war angenehm \u00fcberrascht, dass beide Modelle hervorragende Leistungen erbrachten und zwei- bis dreimal genauere Vorhersagen als SolProp lieferten, wobei insbesondere temperaturabh\u00e4ngige L\u00f6slichkeits\u00e4nderungen erfasst wurden. \"Wir waren \u00fcberw\u00e4ltigt, als wir feststellten, dass die statische und die gelernte Einbettung in ihrer Leistung statistisch nicht zu unterscheiden waren. Das deutet darauf hin, dass die Datenqualit\u00e4t der Hauptengpass ist, nicht die Modellarchitektur\", so Burns.<\/p>\n
Mit konsistenteren experimentellen Daten k\u00f6nnten sogar noch bessere Ergebnisse erzielt werden, da die von verschiedenen Labors durchgef\u00fchrten L\u00f6slichkeitstests zu Rauschen und Datenschwankungen f\u00fchren. Eine Abschw\u00e4chung dieses Problems k\u00f6nnte die Wirksamkeit des Modells weiter verbessern. \"Eine der gro\u00dfen Einschr\u00e4nkungen bei der Verwendung dieser Art von kompilierten Datens\u00e4tzen ist, dass verschiedene Labore unterschiedliche Methoden und Versuchsbedingungen verwenden\", betonte Attia. Trotz dieser Einschr\u00e4nkungen beweist FastSolv, das f\u00fcr seine Schnelligkeit und Benutzerfreundlichkeit bekannt ist, bereits seine universelle Anwendbarkeit in der pharmazeutischen Entwicklung, in der Materialwissenschaft und in Initiativen der gr\u00fcnen Chemie. Burns f\u00fcgt hinzu: \"Es gibt Anwendungen in der gesamten Pipeline der Arzneimittelentwicklung. Wir sind gespannt darauf, wo dieses Modell auch au\u00dferhalb der Formulierungs- und Arzneimittelforschung eingesetzt werden kann.\"<\/p>\n
Diese bahnbrechende Entwicklung wurde durch die Finanzierung des US-Energieministeriums erm\u00f6glicht. Eine ausf\u00fchrlichere Untersuchung dieses Durchbruchs finden Sie im Originalartikel unter MIT-Nachrichten<\/a>.<\/p>","protected":false},"excerpt":{"rendered":"A team of chemical engineers at MIT has taken a major stride forward in streamlining the synthesis of chemical compounds, including pharmaceuticals, with their novel machine learning model. This powerful tool can predict the solubility of a molecule in various organic solvents\u2014a crucial step in drug development. Not only can this accelerate the manufacture of new treatments but it also provides an opportunity to find safer, more sustainable options for industrial solvents. The Optimization of Solvent Selection The importance of selecting the most suitable solvent in chemical synthesis cannot be overstated. With a plethora of organic solvents like ethanol and […]<\/p>\n","protected":false},"author":4,"featured_media":6805,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[47,52],"tags":[],"class_list":["post-6804","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","category-ai-productivity","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6804","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=6804"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6804\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/6805"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=6804"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=6804"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=6804"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}