Bilgisayar Yazılımı Kimyasal Tepkimelerin Ürünlerini Önceden Tahmin Ediyor

Bilgisayarla Öğrenim Yaklaşımı İlaç Üretimi İçin Endüstriyel Süreçlerin Tasarımına Yardımcı Olabilir.

Yeni bir bilgisayar sistemi kimyasal tepkimelerin ürünlerini önceden tahmin ediyor. Klaus Jensen “Öngörümüz, sisteme yaklaşabilmek ve ‘Ben bu molekülü yapmak istiyorum.’ demektir. Yazılım onu yapabileceğin rotayı sana söyleyecek ve makine onu yapacak.” diyor. 

Organik kimyagerler yararlı kimyasal bir bileşiği, örneğin yeni bir ilacı, tanımlarken onu nasıl seri üreteceğini belirlemek kimya mühendislerinin sorumluluğundadır.

Aynı son ürünü veren tepkimelerin 100 farklı dizilimi olabilir. Ama onların birkaçı diğerlerinden daha ucuz ayraçlar ve daha düşük sıcaklık kullanır ve belki en önemlisi bazıları,  teknisyenler aracılığıyla farklı tepkime haznelerindeki ayraçları zaman zaman ilave etmesi sürekli olarak çalışmak için daha kolaydır.

Tarihsel açıdan, belirli bir molekülü üretmek için hesaplanan en verimli ve uygun maliyetli yol bilim kadar ustalıktı. Ama bir bilgisayar sistemi ile deneysel tepkimelerin örneklerinin binlercesi üzerinde çalıştırılıyor ve bir tepkimenin ana ürünlerinin ne olacağını tahmin etmeyi öğreniyor. Massachusetts Teknoloji Enstitüsü (MIT) araştırmacıları daha sağlam deneysel bir temel üzerine bu süreci oturtmayı deniyor.

Araştırmacıların çalışması Amerika Kimya Topluluğu’nun Merkez Bilim Dergisi’nde (ACS Central Science) yayımlanıyor. Testlerde, sistem sürenin %72’sinde – %87’sinde tepkimenin ana ürününü tahmin edebildi. Ana ürün miktarının en olası sonuçları ilk üçte yer aldı.

MIT’de tez üzerine 4 kıdemli yazardan biri Klaus Jensen “ Bugün tepkimeler hakkında anlaşılmış birçok şey var. Ama bir moleküle bakmak ve başlangıç malzemelerinden onu nasıl sentezleyeceğini belirlemek için elde edilmiş beceri zaman içinde oldukça gelişmiştir.” diyor.

Yeni çalışmayla ilgili Jensen “ Öngörümüz, bir sisteme yaklaşarak  ‘Ben bu molekülü yapmak istiyorum.’ demektir. Yazılım molekülü üretebileceğin rotayı sana söyleyecek ve makine onu üretecektir.” diyor.

Tanımlanan tepkimenin başlıca ürününün %72’lik bir oranla, Jensen’ın düşündüğü gibi tamamen bilgisayarlaşmış kimyasal sentezin cinsini tutturmak için henüz hazır değil. Ama sistem, tepkimelerin en iyi dizilimi üzerine daha hızlı bir noktada birleşmek kimya mühendislerine yardım edebilir ve mümkün olan dizilimleri önerebilir. Aksi halde mühendisler incelemiş olmayabilirlerdi.

Kimya Mühendisliği’nde yüksek lisans öğrencisi olan ilk yazar Connor Coley,  Kimya Mühendisliği Profesörü Hoyt C. Hottel, Elektrik Mühendisi ve bilgisayar tekniğinin delta elektronları Profesörü Regina Barzilay, Tommi Joaklola, Elektrik Mühendisi ve bilgisayar tekniğinin profesörü Thomas Siebel aracılığıyla Jensen makaleye katıldı.

Bölgesel Temsilci

Yalnız bir organik molekül atomların düzinelercesi ve hatta yüzlercesinden oluşabilir. Ama iki böyle molekül arasındaki tepkime, onların var olan kimyasal bağlarını kıran ve başka bir tane oluşturan sadece iki veya üç atom içerebilirdi. Farklı belirteçlerin yüzlercesi arasındaki tepkimelerin binlercesi genellikle tepkime bölgelerinin aynı çifti arasındaki ortak olmuş yalnız birine indirgenecek. Ama büyük  bir organik molekül çeşitli tepkime bölgelerine sahip olabilirdi. Başka bir büyük organik molekülle birleşirken belirli mümkün tepkimelerin arasında aslında yalnız biri meydana gelecek. Bu bilgisayarlı tepkime tahminini çok dolambaçlı yapar.

Geçmişte kimyacılar, tepkime bölgelerinde etkileşimleri kavramında tepkimeleri sınıflandıran bilgisayar modelleri yapardı. Ama onlar, bağımsız olarak araştırılan ve elle kodlanan istisnaların sayımını sık sık talep eder. Bu model şöyle açıklanabilir: Eğer molekül A’nın X tepkime bölgesi ve molekül B’nin   tepkime bölgesi varsa X ve Y grup Z şeklini almak için tepkime verecek. Tabi molekül A’nın P,Q,R,S,T,U veya V tepkime bölgesi olmadıkça.

Bir düzineden daha fazla sayılmış istisnayı zorunlu kılmak yalnız bir model için alışılmamış değil. Bilimsel literatürdeki keşfedilen bu istisnaları ve modelleri eklemeden modellerin yardımcı yazılımlarını sınırlandırdığı zahmetli bir görevdir.

MIT araştırmacılarını  yeni sisteminin temel amaçlarından biri bu zorlu süreci atlatmaktır. Deneysel olarak gözlenmiş 15,000 tepkime ile ön ayak olmuş Coley ve onun yardımcı yazarları Amerika patent başvurularına raporladı.

Olumsuz Örnekler

Diğer bir yandan Coley ilave olabilir ürünlerin bir seri oluşturduğu listelenmiş tepkimelerin birinde moleküllerin şimdiye dek her bir çifti tepkime bölgelerini esas aldı. Bu durumda Coley benzerlik sırasıyla sıralanmış olası ürünler ile görevlendirilmiş bir sinir ağır kadar bilindik yapay zeka bir sistemi onunla birlikte olası ürünlerin listeleri yapay geliştirdiği tepkimelerin çeşitlerini besledi. Bu eğitimden, Ağ tepkime hiyerarşisini özünde öğrendi.

Bir molekülün diğer özellikleri negatifliğini etkileyebilir. Örneğin; bilinen bir tepkime bölgesinde atomlar, diğer atomların onların çevresinde olmasını temel alarak farklı yük dağılımları olabilirdi. Bir molekülün fiziksel özelliği girişi zor bir tepkime bölgesi oluşturabilir. Bu yüzden MIT araştırmacılarının modeli her iki özelliğin sayısal ölçümlerini içeriyor.

İlaç şirketi  Novartis’de kimya teknolojileri araştırmacısı Richard Robinson’a göre MIT araştırmacılarının sistemi “ gelecekte hedeflenmiş moleküllerde deneysel tasarımın uygulamasına dönüştürebileceği hedeflenmiş sentezlerin verimi içerisinde bilgisayarlı öğrenime farklı bir açı sunuyor.”

Robinson “ kendi kişisel deneyimlerimize göre hizalandığı ve tepkime veri tabanı arama motorları ile arttırıldığı kendi retrosentetik eğitimi üzerine ciddi ölçüde şimdilerde inanıyoruz. Bu bize yardım ediyor.Ama sık sık önemli bir başarısızlık oranında sonuçlar durgunlaşıyor. Hatta pek çok deneyimli kimyacı hayret etti. Eğer bir endüstri kadar her biriken sentezi bozolmaları bir araya toplayacak olsan bu önemli bir zamana ve yatırım maliyetine bağlı olurdu. Başarı oranlarımızı ne arttırabilirdi?” diyor.

Robinson MIT araştırmacılarına “ geleneksel yaklaşımların üzerinde ileri tahmini tepkime performansını elde etmek için alışılmamış bir yaklaşımı açıkca gösterdiler. Sayısını arttırması vasıtasıyla veri grubu daha değerli olan negatif tepkime örnekleri ile literatürü rapor ettiler.” diyor.

Kaynak : mit.edu