Zespół inżynierów chemików z MIT poczynił duży krok naprzód w usprawnianiu syntezy związków chemicznych, w tym farmaceutyków, dzięki nowatorskiemu modelowi uczenia maszynowego. To potężne narzędzie może przewidywać rozpuszczalność cząsteczki w różnych rozpuszczalnikach organicznych - kluczowy krok w opracowywaniu leków. Może to nie tylko przyspieszyć produkcję nowych terapii, ale także daje możliwość znalezienia bezpieczniejszych, bardziej zrównoważonych opcji dla rozpuszczalników przemysłowych.
Nie da się przecenić znaczenia doboru najbardziej odpowiedniego rozpuszczalnika w syntezie chemicznej. Biorąc pod uwagę ogromną różnorodność dostępnych rozpuszczalników organicznych, takich jak etanol i aceton, z których każdy ma inny wpływ na środowisko i różną skuteczność, umiejętność dokonania trafnego i efektywnego wyboru ma kluczowe znaczenie. Właśnie tu do gry wkracza innowacyjny model, nad którym pracują doktoranci Lucas Attia i Jackson Burns. “Przewidywanie rozpuszczalności jest naprawdę etapem ograniczającym szybkość procesu podczas planowania syntezy i produkcji substancji chemicznych, zwłaszcza leków. Od dawna istnieje zainteresowanie możliwością dokładniejszego przewidywania rozpuszczalności” – wyjaśnia Attia.
Model, pieszczotliwie nazywany FastSolv, jest ogólnodostępny i jest już wykorzystywany przez kilka laboratoriów badawczych oraz przedsiębiorstw. Jedną z istotnych korzyści, jakie zapewnia, jest możliwość znalezienia mniej szkodliwych substytutów powszechnie stosowanych rozpuszczalników przemysłowych. “Istnieją rozpuszczalniki, o których wiadomo, że rozpuszczają niemal wszystko. Są przydatne, ale szkodzą środowisku i ludziom. Nasz model jest niezwykle przydatny w identyfikowaniu kolejnego najlepszego rozpuszczalnika, który, miejmy nadzieję, będzie znacznie mniej szkodliwy” – wyjaśnia Burns.
Co ciekawe, wynalazek ten był wynikiem projektu programowego na MIT, który łączył uczenie maszynowe z inżynierią chemiczną. Wcześniej model solwatacji Abrahama był sposobem na oszacowanie rozpuszczalności na podstawie struktury molekularnej, aczkolwiek jego dokładność była ograniczona.
Aby przezwyciężyć te ograniczenia, laboratorium Green Lab przy MIT wprowadziło w 2022 roku narzędzie SolProp. Chociaż wykorzystywało ono właściwości termodynamiczne do przewidywania rozpuszczalności, zawodziło w przypadku nieznanych cząsteczek, co jest częstym zjawiskiem w procesie opracowywania leków. Okazało się, że przełom był tuż za rogiem wraz z opublikowaniem w 2023 r. obszernego zbioru danych – BigSolDB. Zawierał on dane dotyczące rozpuszczalności pochodzące z prawie 800 artykułów naukowych i obejmował blisko 800 cząsteczek oraz ponad 100 rozpuszczalników. Wykorzystując ten ogromny zasób, Attia i Burns stworzyli i wytrenowali dwa modele – FastProp i ChemProp – na podstawie ponad 40 000 punktów danych, uwzględniających nawet wpływ temperatury.
Duet był mile zaskoczony, zauważając, że oba modele osiągały doskonałe wyniki, dostarczając prognozy od dwóch do trzech razy dokładniejsze niż SolProp, a zwłaszcza uwzględniając zmiany rozpuszczalności zależne od temperatury. “Byliśmy pod ogromnym wrażeniem, widząc, że statyczne i wyuczone wbudowania były statystycznie nie do odróżnienia pod względem wydajności. Wskazuje to, że głównym wąskim gardłem jest jakość danych, a nie architektura modelu” – powiedział Burns.
Rzeczywiście, istnieje możliwość uzyskania jeszcze lepszych wyników dzięki bardziej spójnym danym eksperymentalnym, ponieważ różnice w testach rozpuszczalności przeprowadzanych przez różne laboratoria powodują zakłócenia i zmienność danych. Zminimalizowanie tego zjawiska mogłoby jeszcze bardziej zwiększyć skuteczność modelu. “Jednym z głównych ograniczeń korzystania z tego rodzaju skompilowanych zbiorów danych jest fakt, że różne laboratoria stosują różne metody i warunki eksperymentalne” – podkreślił Attia. Pomimo tych ograniczeń FastSolv, znany ze swojej szybkości i łatwości obsługi, już teraz udowadnia swoje uniwersalne zastosowanie w rozwoju farmaceutycznym, materiałoznawstwie oraz inicjatywach z zakresu zielonej chemii. Burns dodaje: “Istnieją zastosowania na wszystkich etapach procesu odkrywania leków. Z niecierpliwością czekamy również na to, aby zobaczyć, gdzie poza opracowywaniem preparatów i odkrywaniem leków ludzie mogą wykorzystać ten model”.”
Ten przełomowy rozwój był możliwy dzięki finansowaniu zapewnionemu przez Departament Energii Stanów Zjednoczonych. Bardziej szczegółowe informacje na temat tego przełomu można znaleźć w oryginalnym artykule pod adresem MIT News.
Ta strona używa plików cookie.