Zesp\u00f3\u0142 in\u017cynier\u00f3w chemik\u00f3w z MIT poczyni\u0142 du\u017cy krok naprz\u00f3d w usprawnianiu syntezy zwi\u0105zk\u00f3w chemicznych, w tym farmaceutyk\u00f3w, dzi\u0119ki nowatorskiemu modelowi uczenia maszynowego. To pot\u0119\u017cne narz\u0119dzie mo\u017ce przewidywa\u0107 rozpuszczalno\u015b\u0107 cz\u0105steczki w r\u00f3\u017cnych rozpuszczalnikach organicznych - kluczowy krok w opracowywaniu lek\u00f3w. Mo\u017ce to nie tylko przyspieszy\u0107 produkcj\u0119 nowych terapii, ale tak\u017ce daje mo\u017cliwo\u015b\u0107 znalezienia bezpieczniejszych, bardziej zr\u00f3wnowa\u017conych opcji dla rozpuszczalnik\u00f3w przemys\u0142owych.<\/p>\n
Znaczenie wyboru najbardziej odpowiedniego rozpuszczalnika w syntezie chemicznej jest nie do przecenienia. Przy mnogo\u015bci dost\u0119pnych rozpuszczalnik\u00f3w organicznych, takich jak etanol i aceton, z kt\u00f3rych ka\u017cdy r\u00f3\u017cni si\u0119 wp\u0142ywem na \u015brodowisko i skuteczno\u015bci\u0105, mo\u017cliwo\u015b\u0107 dokonania dok\u0142adnego i skutecznego wyboru ma kluczowe znaczenie. W tym miejscu do gry wkracza innowacyjny model, za kt\u00f3rym stoj\u0105 doktoranci Lucas Attia i Jackson Burns. \"Przewidywanie rozpuszczalno\u015bci jest naprawd\u0119 ograniczaj\u0105cym krokiem w syntetycznym planowaniu i produkcji chemikali\u00f3w, zw\u0142aszcza lek\u00f3w. Od dawna istnia\u0142o zainteresowanie mo\u017cliwo\u015bci\u0105 lepszego przewidywania rozpuszczalno\u015bci\" - wyja\u015bnia Attia.<\/p>\n
Model, pieszczotliwie nazywany FastSolv<\/a>jest swobodnie dost\u0119pny i jest ju\u017c wykorzystywany przez kilka laboratori\u00f3w badawczych i korporacji. Jedn\u0105 z istotnych korzy\u015bci, jakie zapewnia, jest mo\u017cliwo\u015b\u0107 znalezienia mniej niebezpiecznych substytut\u00f3w powszechnie stosowanych rozpuszczalnik\u00f3w przemys\u0142owych. \"Istniej\u0105 pewne rozpuszczalniki, o kt\u00f3rych wiadomo, \u017ce rozpuszczaj\u0105 wi\u0119kszo\u015b\u0107 rzeczy. S\u0105 one u\u017cyteczne, ale szkodliwe dla \u015brodowiska i ludzi. Nasz model jest niezwykle przydatny w identyfikowaniu nast\u0119pnego najlepszego rozpuszczalnika, kt\u00f3ry, miejmy nadziej\u0119, jest znacznie mniej szkodliwy\" - wyja\u015bnia Burns.<\/p>\n Co ciekawe, wynalazek ten by\u0142 wynikiem projektu programowego na MIT, kt\u00f3ry \u0142\u0105czy\u0142 uczenie maszynowe z in\u017cynieri\u0105 chemiczn\u0105. Wcze\u015bniej model solwatacji Abrahama by\u0142 sposobem na oszacowanie rozpuszczalno\u015bci na podstawie struktury molekularnej, aczkolwiek jego dok\u0142adno\u015b\u0107 by\u0142a ograniczona.<\/p>\n W celu przezwyci\u0119\u017cenia takich ogranicze\u0144, MIT's Green Lab wprowadzi\u0142o SolProp w 2022 roku. Chocia\u017c wykorzystywa\u0142 on w\u0142a\u015bciwo\u015bci termodynamiczne do przewidywania rozpuszczalno\u015bci, zawodzi\u0142 w konfrontacji z nieznanymi cz\u0105steczkami, co jest cz\u0119stym zjawiskiem w opracowywaniu lek\u00f3w. Prze\u0142om, jak si\u0119 okaza\u0142o, by\u0142 tu\u017c za rogiem wraz z wydaniem kompleksowego zbioru danych - BigSolDB w 2023 roku. Zawieraj\u0105cy dane dotycz\u0105ce rozpuszczalno\u015bci z prawie 800 artyku\u0142\u00f3w naukowych, obejmowa\u0142 blisko 800 cz\u0105steczek i ponad 100 rozpuszczalnik\u00f3w. Wykorzystuj\u0105c ten ogromny rezerwuar, Attia i Burns zbudowali i wytrenowali dwa modele - FastProp i ChemProp - z ponad 40 000 punkt\u00f3w danych, kt\u00f3re uwzgl\u0119dnia\u0142y nawet wp\u0142yw temperatury.<\/p>\n Duet by\u0142 mile zaskoczony, gdy zauwa\u017cy\u0142, \u017ce oba modele wyr\u00f3\u017cnia\u0142y si\u0119 wydajno\u015bci\u0105, oferuj\u0105c prognozy, kt\u00f3re by\u0142y dwa do trzech razy dok\u0142adniejsze ni\u017c SolProp, w szczeg\u00f3lno\u015bci wychwytuj\u0105c zmiany rozpuszczalno\u015bci zale\u017cne od temperatury. \"Byli\u015bmy zdumieni, widz\u0105c, \u017ce statyczne i wyuczone osadzenia by\u0142y statystycznie nie do odr\u00f3\u017cnienia pod wzgl\u0119dem wydajno\u015bci. To wskazuje, \u017ce jako\u015b\u0107 danych jest g\u0142\u00f3wnym w\u0105skim gard\u0142em, a nie architektura modelu\" - powiedzia\u0142 Burns.<\/p>\n Rzeczywi\u015bcie, istnieje mo\u017cliwo\u015b\u0107 uzyskania jeszcze lepszych wynik\u00f3w przy bardziej sp\u00f3jnych danych eksperymentalnych, poniewa\u017c r\u00f3\u017cnice w testach rozpuszczalno\u015bci przeprowadzanych przez r\u00f3\u017cne laboratoria powoduj\u0105 szum i zmienno\u015b\u0107 danych. Z\u0142agodzenie tego zjawiska mog\u0142oby jeszcze bardziej zwi\u0119kszy\u0107 skuteczno\u015b\u0107 modelu. \"Jednym z du\u017cych ogranicze\u0144 korzystania z tego rodzaju skompilowanych zestaw\u00f3w danych jest to, \u017ce r\u00f3\u017cne laboratoria stosuj\u0105 r\u00f3\u017cne metody i warunki eksperymentalne\" - podkre\u015bli\u0142 Attia. Pomimo swoich ogranicze\u0144, FastSolv, znany ze swojej szybko\u015bci i przyjaznego dla u\u017cytkownika charakteru, ju\u017c teraz udowadnia swoje uniwersalne zastosowanie w rozwoju farmaceutycznym, materia\u0142oznawstwie i inicjatywach zwi\u0105zanych z zielon\u0105 chemi\u0105. Burns dodaje: \"Istniej\u0105 zastosowania w ca\u0142ym procesie odkrywania lek\u00f3w. Jeste\u015bmy r\u00f3wnie\u017c podekscytowani widz\u0105c, poza formu\u0142owaniem i odkrywaniem lek\u00f3w, gdzie ludzie mog\u0105 korzysta\u0107 z tego modelu\".<\/p>\n Ten prze\u0142omowy rozw\u00f3j by\u0142 mo\u017cliwy dzi\u0119ki finansowaniu zapewnionemu przez Departament Energii Stan\u00f3w Zjednoczonych. Bardziej szczeg\u00f3\u0142owe informacje na temat tego prze\u0142omu mo\u017cna znale\u017a\u0107 w oryginalnym artykule pod adresem MIT News<\/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\/pl\/wp-json\/wp\/v2\/posts\/6804","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=6804"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/6804\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/6805"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=6804"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=6804"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=6804"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Narodziny i ewolucja modelu zmieniaj\u0105cego zasady gry<\/h4>\n
Imponuj\u0105ce wyniki i potencja\u0142 na przysz\u0142o\u015b\u0107<\/h4>\n