人工智能、“积木”化学和分子制造机器联手寻找合成对生物医学和材料研究重要的化学品的最佳一般反应条件——这一发现可以加速创新和药物发现，并使复杂的化学自动化并且可以访问。

人工智能和分子机器联手推广自动化化学

借助机器生成的优化条件，伊利诺伊大学厄巴纳-香槟分校的研究人员以及波兰和加拿大的合作者将一种特殊的、难以优化的将药学上重要分子中的碳原子连接在一起的反应的平均产量翻了一番。研究人员表示，他们的系统提供了一个平台，该平台也可用于寻找其他类别反应的一般条件和类似复杂问题的解决方案。他们在《科学》杂志上报告了他们的发现。

“通用性对于自动化至关重要，因此即使是非化学家也可以进行分子创新，”该研究的共同负责人、伊利诺伊州卡尔伊利诺伊医学院的化学教授和医学博士MartinD.Burke博士说.“挑战在于可能的反应条件的大海捞针是天文数字，而针隐藏在里面的某个地方。通过利用人工智能和积木化学的力量来创建反馈循环，我们能够缩小大海捞针。我们发现针。”

研究人员表示，用于蛋白质和核酸(如DNA)的自动合成机器已经彻底改变了这些领域的研究和化学制造，但许多对制药、临床、制造和材料应用具有重要意义的化学品都是具有复杂结构的小分子。

Burke的小组率先开发了用于小分子的简单化学构件。他的实验室还开发了一种自动分子制造机器，可以将积木拼凑在一起，创造出各种可能的结构。

然而，使自动化过程广泛适用的一般反应条件仍然难以捉摸。

“传统上，化学家为他们试图制造的每种产品定制反应条件，”伯克说。“问题在于，这是一个缓慢且非常依赖专家的过程，而且很难实现自动化，因为机器必须每次都进行优化。我们真正想要的是几乎每次都能工作的条件，无论你做什么两件事'正试图拼凑在一起。

该研究的共同第一作者、伊利诺伊州博士后研究员VandanaRathore说，具有一般条件的自动化方法可以帮助标准化某些产品的制造方式，解决可重复性问题。

Burke的团队与波兰科学院有机化学研究所的BartoszA.Grzybowski领导的团队以及多伦多大学的AlánAspuru-Guzik团队合作，他们都是使用人工智能和机器学习的领导者改善化学合成。该团队将人工智能与分子机器相结合，为机器学习系统提供实时反馈。

“要区分好坏，你需要对坏事有所了解，但人们只会公布成功，”Grzybowski说。他说，已发表的研究反映了流行或方便的条件，而不是最好的条件，因此有必要采用一种包括不同数据和负面结果的系统方法。

首先，该团队通过一种算法使用构建块化学来运行可能组合的整个矩阵，以将相似的反应组合在一起。然后，人工智能发送指令，输入伊利诺伊州贝克曼先进科学技术研究所分子制造实验室的机器，从每个集群中产生有代表性的反应。这些反应的信息反馈到模型中;人工智能从数据中学习，并从分子机器中订购了更多的实验。

“对于广泛的反应，我们希望看到两件事：产量增加和不确定性减少，”现在在韩国蔚山科学技术学院工作的Grzybowski说。“这个循环一直持续下去，我们不必干预，直到问题得到解决。弄清楚蛋白质合成机器的一般条件需要30年。这花了我们两个月的时间。”

该过程确定了使一类具有挑战性的反应的平均产量翻倍的条件，称为杂芳基Suzuki-Miyaura偶联，这对于许多生物和材料相关化合物至关重要。

伊利诺伊州研究生NicholasH说：“有各种各样的积木组合，我们甚至在AI培训中都没有研究过，但由于AI探索了如此多样化的空间，即使在那些最初未探索的领域，它也发现了很好的结果。”.Angello，该研究的共同第一作者。

研究人员说，论文中描述的机器学习过程也可以应用于其他广泛的化学领域，为其他类型的小分子甚至更大的有机聚合物寻找最佳反应条件。

“有很多不同的材料类别，我们想知道、瞄准和发现不同的功能特性。这种方法扩展到其他类似的反应化学、其他类型的碳-碳链接的可能性令人兴奋，”研究合作说-作者CharlesM.Schroeder，伊利诺伊州材料科学与工程、化学与生物分子工程教授，贝克曼研究所附属机构。