یک برنامه متن باز به پژوهشگران کمک کرده تا از یکی از گلوگاه های اصلی فرایند سنتز شیمیایی عبور کنند و به سنتز 35 ترکیب جدید شیمیایی کمک کرده است.

به گزارش ایسنا، جست وجو برای یافتن داروهای پرفروش و مواد شگفت انگیز کاری بسیار دشوار برای شیمیدانان است. برای ساخت ترکیبات امیدوارکننده خود، آن ها باید در میان میلیون ها واکنش شیمیایی شناخته شده جست وجو کنند و هر سال صدها هزار واکنش جدید نیز به این مجموعه افزوده می شود و سپس بررسی کنند که آیا اصلا امکان سنتز آن ترکیب وجود دارد یا خیر.

به نقل از نیچر، اکنون پژوهشگران یک سامانه هوش مصنوعی ساخته اند که فرایند سنتز شیمیایی را به طرز چشمگیری ساده تر و سریع تر می کند. این سامانه که موزاییک MOSAIC نام دارد و در مطالعه ای که 19 ژانویه در نشریه نیچر منتشر شده توصیف شده است، شرایطی را ارائه می کند که پژوهشگران توانسته اند با استفاده از آن ها 35 ترکیب با پتانسیل تبدیل شدن به محصولاتی مانند داروها، مواد شیمیایی کشاورزی یا محصولات آرایشی تولید کنند. بدون آن که نیازی به جست وجوی بیشتر یا اصلاح شرایط داشته باشند.

تیموتی نیوهاوس، شیمیدان دانشگاه ییل در نیوهیون کانکتیکات و از نویسندگان این مطالعه، می گوید: سنتز مولکول های کوچک، مرحله کُند و زمان بر در کشف دارو و بسیاری از حوزه های مهم دیگر است.

نیوهاوس می افزاید: موزاییک می تواند این گلوگاه را از میان بردارد و در نتیجه به تولید محصولات بیشتر و بهتر منجر شود. این سامانه قادر است دستورالعمل های کامل آزمایشگاهی با جزییاتی کافی برای دنبال کردن توسط شیمیدانان تهیه کند تا به ساخت مولکول هایی کمک کند که پیش تر هرگز وجود نداشته اند.

پیش بینی شرایط واکنش های شیمیایی یکی از محورهای اصلی استفاده از هوش مصنوعی در شیمی بوده است. یکی از ابزارهای شاخص در این حوزه، RXN for Chemistry شرکت IBM است که بر پایه یک مدل زبانی بزرگ (LLM) ساخته شده است.

این سامانه از روشی به نام سیستم ورودی خطی ساده شده مولکولی به اختصار SMILES استفاده می کند. این روش ساختار سه بعدی مولکول ها را به حروف، اعداد و علائم نگارشی تبدیل می کند که برای سامانه هایی که الگوهای زبانی را تشخیص می دهند، مناسب تر است. در مقابل، مدل هایی مانند ChemCrow برای انجام وظایف شیمیایی بر اساس داده های زبان طبیعی آموزش دیده اند.

رویکرد اسمایلز (SMILES) پردازش اطلاعات شیمیایی مانند مواد اولیه و حلال ها را آسان تر می کند. نیوهاوس می گوید: هدف ما ساخت مدلی عمومی بود که بتواند شیمی را همان گونه که شیمیدانان می نویسند بخواند؛ با گوش دادن به زبان دستورالعمل های آزمایشگاهی و تبدیل سریع این صدای جمعی به یک پیشنهاد عملی. او می افزاید که ادغام دستورالعمل های مرحله به مرحله تولیدشده توسط موزاییک در سامانه های خودکار، گام طبیعی بعدی خواهد بود.

پژوهشگران از یک سامانه هوش مصنوعی که پیش تر توسعه داده بودند، استفاده کردند تا پایگاه داده ای شامل حدود یک میلیون واکنش استخراج شده را به 2٬285 زیرمجموعه دسته بندی کنند. سپس با استفاده از این زیرمجموعه ها، مدل زبانی Llama شرکت متا (که تا حدی متن باز است) را برای ساخت 2٬498 مدل متخصص جداگانه آموزش دادند. این رویکرد می تواند روی رایانه های محلی اجرا شود، زیرا نسبت به مدل های زبانی بزرگ عمومی، به پارامترهای بسیار کمتری نیاز دارد.

پژوهشگران از موزاییک خواستند شرایط لازم برای ساخت 52 ماده جدید را پیشنهاد دهد. پس از آزمایش این روش ها در آزمایشگاه، آن ها توانستند 35 مورد از این مواد را با موفقیت تولید کنند. موزاییک همچنین رنگ و شکل ترکیبات را به درستی پیش بینی کرده بود.

این سامانه حتی شرایطی برای روش های واکنشی پیشنهاد داد که در میان میلیون ها واکنش مورد استفاده در آموزش مدل های متخصص وجود نداشت. موزاییک روشی کاملا جدید برای ساخت نوعی مولکول به نام آزایندول پیشنهاد کرد که هنگام آزمایش، موفقیت آمیز بود.

گروه دانشگاه ییل در توسعه موزاییک با پژوهشگران شرکت داروسازی چندملیتی بوهرینگر اینگلهایم در کانکتیکات همکاری کرده اند؛ شرکتی که هم اکنون از این سامانه استفاده می کند. ویکتور باتیستا، شیمیدان نظری و محاسباتی در ییل و از نویسندگان این مقاله، می گوید: آن ها به طراحی مسیرهای سنتزی جدید علاقه مند هستند. اگر تعداد مراحل کاهش یابد، صرفه جویی مالی زیادی حاصل می شود. او می افزاید کد موزاییک به صورت متن باز در اختیار سایر گروه ها قرار دارد.

این رویکرد پتانسیل بسیار گسترده تری دارد. فراتر از کاربرد عملی آن به عنوان یک ابزار قدرتمند هوش مصنوعی برای سنتز شیمیایی، موزاییک یک الگوی مقیاس پذیر برای بهره گیری از دانش جهانی شیمی از طریق تخصص گرایی ماژولار ارائه می دهد.