MIT團隊運用機器學習閉環自主分子發現平台，成功發現、合成、描述了303種新分子

編輯 | X

傳統意義上，發現所需特性的分子過程一直是由手動實驗、化學家的直覺以及對機制和第一原理的理解推動的。

隨著化學家越來越多地使用自動化設備和預測合成演算法，自主研究設備越來越接近實現。

近日，來自 MIT 的研究人員開發了由整合機器學習工具驅動的閉環自主分子發現平台，以加速具有所需特性的分子的設計。無需手動實驗即可探索化學空間並利用已知的化學結構。

在兩個案例研究中，該平台嘗試了 3000 多個反應，其中 1000 多個產生了預測的反應產物，提出、合成並表徵了 303 種未報道的染料樣分子。

研究以《Autonomous, multiproperty-driven molecular discovery: From predictions to measurements and back》為題，於 2023 年 12 月 22 日發佈在《Science》上。

論文連結：https://www.science.org/doi/10.1126/science.adi1407

發現具有所需功能特性的小分子對於健康、能源和永續發展的進步至關重要。這個過程通常是透過緩慢、費力、迭代的設計-製造-測試-分析 (DMTA) 循環進行的。

新興的機器學習 (ML) 工具可以產生新的候選分子，預測其特性，並透過電腦輔助合成規劃 (CASP) 提出反應路徑。化學自動化的進步可以在手動設定後以最少的人為幹預實現化學合成和表徵。

將ML 生成演算法、ML 屬性預測、CASP、機器人技術和自動化化學合成、純化和表徵整合到DMTA 工作流程中，可以開發自主化學發現平台，該平台能夠在不同的化學空間中運行，而無需手動重新配置。理想的以屬性為中心的發現平台將提出並合成分子，以豐富機器學習生成和屬性模型，並最終發現最佳表現的分子。實際上，有必要排除可用自動化硬體無法安全執行的反應。

為了實現自主發現，來自 MIT 的研究團隊展示了一個整合的 DMTA 循環，該循環迭代地提出、實現和表徵分子，僅在預測工具的指導下探索化學空間。

圖補全（graph-completion）產生模型設計候選分子，並使用 ML 模型針對這三個屬性中的每一個進行評估。 CASP 工具提出了多步驟合成配方，由自動液體處理機、批量反應器、高性能液相層析 (HPLC) 和機械手臂執行。 Plate reader 測量吸收光譜，校準的 HPLC 保留時間提供水-辛醇分配係數，模擬太陽光源與 plate reader 結合量化光氧化降解。測得的分子特性會自動回饋以重新訓練特性預測模型，從而完成自動化 DMTA 循環的一個步驟。

整合平台概述，以及平台預測並成功執行的反應。 （資料來源：論文）

研究人員在小分子有機染料的兩個分子發現用例中展示了該平台：（i）探索未知的化學空間和（ii）利用已知的化學空間。該平台根據需要執行並自動調整工作流程，在迭代期間和迭代之間，人工幹預僅限於設定和調整目標、提供所需材料以及偶爾修復不可恢復的錯誤，例如 HPLC 裝置堵塞。

探討案例研究的化學預測與嘗試。 （資料來源：論文）

平台彈性對於執行包含反應類別廣度的多步驟反應途徑至關重要，這些反應類別需要實現涵蓋所需屬性空間的候選物。研究透過針對分子染料（具有多種化學性質和複雜分子特性的模型系統）來驗證該平台的功能。在兩個案例研究中，該平台嘗試了 3000 多個反應，其中 1000 多個產生了預測的反應產物，完成了 303 個未報告分子（即在發布之前沒有 CAS 登記號）的多步驟反應途徑。

對於這兩個案例研究，吸收最大值、分配係數和光氧化穩定性是目標屬性，平台自動測量和記錄每個屬性，以完善模型預測並為未來的實驗選擇提供資訊。

研究人員表示：「該平台的未來迭代將受益於預測能力的改進，特別是反應保真度、條件推薦和分子生成，以及分析工具。閉環整合平台的持續開發是繼續加速分子發現的一條有希望的道路。」

以上是MIT團隊運用機器學習閉環自主分子發現平台，成功發現、合成、描述了303種新分子的詳細內容。更多資訊請關注PHP中文網其他相關文章！