مدل یادگیری ماشینی جدید، واکنش‌های شیمیایی را پیش از وقوع پیش‌بینی می‌کند
شیمی‌دانان دانشگاه ملی یوکوهاما روشی آزمایشی برای مدل‌سازی توسعه داده‌اند که می‌تواند میزان آزمون‌وخطای همیشگی در شیمی سنتزی را به‌طور چشمگیری کاهش دهد. این روش که شرح آن در پژوهشی منتشرشده در ۱۴ سپتامبر ۲۰۲۶ در مجله JACS Au آمده است، آزمایش‌های رقابتی ساده را با داده‌های الکترونی سه‌بعدی و یادگیری ماشینی ترکیب می‌کند تا نه‌تنها محل وقوع واکنش شیمیایی در یک مولکول پیچیده، بلکه جهتی را نیز پیش‌بینی کند که واکنش از آن سمت پیش می‌رود. این پژوهش یکی از چالش‌های دیرپای شیمی آلی را هدف قرار داده است: رفتار یک مولکول ممکن است در محیط‌های مختلف به‌شدت تغییر کند و همین مسئله پیش‌بینی واکنش‌ها را پرهزینه و زمان‌بر می‌سازد.
هیروآکی گوتو، نویسنده مسئول پژوهش و دانشیار دانشکده مهندسی دانشگاه ملی یوکوهاما، می‌گوید کنترل دقیق سرعت و گزینش‌پذیری واکنش‌ها از اهمیت بنیادی در شیمی آلی برخوردار است. هدف نهایی او این است که بتوان پیش از هرگونه تلاش برای سنتز، پیش‌بینی کرد نامزدهای دارویی، محصولات طبیعی و مولکول‌های کاربردی در کدام نقطه و از کدام سمت واکنش نشان می‌دهند. چنین پیش‌بینی‌هایی می‌تواند آزمون‌وخطا را کاهش دهد و روند کشف مولکول‌ها و مسیرهای سنتزی جدید را سرعت ببخشد. مزایای این قابلیت از جلوگیری از واکنش‌های ناخواسته داروها تا افزایش کارایی فرایندهای صنعتی را در بر می‌گیرد.
مشکل روش‌های متداول در شیوه سنجش واکنش‌پذیری نهفته است. شیمی‌دانان معمولاً واکنش‌پذیری را با اندازه‌گیری بازده محصول پس از انجام فرایندهای سنتزی چندمرحله‌ای ارزیابی می‌کنند. این روش مستلزم مراحل خالص‌سازی است و واکنش‌های جانبی رقیب نیز بر مقدار نهایی محصول تأثیر می‌گذارند. در نتیجه، بازده محصول معیار دقیقی برای سنجش واکنش‌پذیری نیست؛ به‌ویژه آنکه یک مولکول واحد ممکن است در شرایط سنتزی متفاوت، بازده‌های متفاوتی داشته باشد. گوتو توضیح داد که ارزیابی مبتنی بر بازده اغلب به بهینه‌سازی شرایط واکنش نیاز دارد و شناسایی و اندازه‌گیری بسیاری از عواملی که بر بازده تأثیر می‌گذارند، دشوار است. به گفته او، بنابراین لازم است روش‌هایی برای اندازه‌گیری سرعت واکنش در سامانه‌های پیچیده و چندمرحله‌ای و بررسی ارتباط این سرعت‌ها با ساختار مولکولی توسعه یابد.
گروه پژوهشی توجه خود را بر مولکول‌های پیچیده‌ای متمرکز کرد که چندین گروه کتون دارند. کتون‌ها دارای گروه عاملی کربونیل، متشکل از یک اتم کربن با پیوند دوگانه به اکسیژن، هستند و می‌توانند در واکنش‌های شیمیایی شرکت کنند. در مولکول‌هایی که بیش از یک گروه کتون دارند، اندازه‌گیری سنتی بازده مشخص نمی‌کند کدام گروه کتون واکنش داده است یا واکنش از کدام سمت آن رخ داده است. دایمون ساکاگوچی، نویسنده اول پژوهش و دانشجوی دکتری در آزمایشگاه گوتو، گفت هدف گروه این بود که هم محل وقوع واکنش کاهش کتون و هم محصول حاصل از آن را پیش‌بینی کند و در عین حال، بر محدودیت داده‌های متداول بازده در سنجش دقیق واکنش‌پذیری ذاتی مولکول غلبه کند.
راه‌حل در آزمایش‌های رقابتی نهفته بود؛ آزمایش‌هایی ساده که به گفته ساکاگوچی می‌توانند اطلاعات فراوانی فراهم کنند. پژوهشگران با مخلوط کردن مولکول‌های پیچیده و مقادیر متفاوتی از واکنشگر بوروهیدرید سدیم در متانول، توانستند تعیین کنند کدام گروه کتون زودتر واکنش می‌دهد. این کار به آن‌ها امکان داد مقیاسی سینتیکی، یا به بیان دیگر نقشه‌ای از سرعت واکنش، برای گروه‌های کتون موجود در هر مولکول تهیه کنند. این روش داده‌های سرعت واکنش را در زیرلایه‌های مختلف به شکلی قابل مقایسه فراهم می‌کند و از تأثیر عوامل مخدوش‌کننده‌ای می‌کاهد که اندازه‌گیری بازده در سامانه‌های چندمرحله‌ای را دشوار می‌سازند.
در مرحله‌ای تعیین‌کننده، پژوهشگران داده‌های سینتیکی را با اطلاعات الکترونی سه‌بعدی اندازه‌گیری‌شده در اطراف هر جایگاه واکنش ترکیب کردند. این توصیفگر ساختاری نشان می‌دهد که آرایش مولکولی پیرامون هر گروه کتون چگونه بر واکنش‌پذیری آن تأثیر می‌گذارد. در نتیجه، مدل یادگیری ماشینی به‌جای تکیه صرف بر فهرستی از نتایج واکنش‌ها، تصویری مبتنی بر ویژگی‌های فیزیکی از محیط شیمیایی در اختیار دارد. پژوهشگران با استفاده از این مجموعه داده ترکیبی، مدلی برای پیش‌بینی سرعت واکنش‌های شیمیایی توسعه دادند که اندازه‌گیری‌های آزمایشگاهی، محاسبات شیمی کوانتومی و یادگیری ماشینی را در یک فرایند کاری واحد به هم پیوند می‌دهد.
نتایج، از نظر قابلیت انتقال مدل به مولکول‌های جدید، فراتر از انتظار بود. این مدل تنها با استفاده از مولکول‌های ساده آموزش دیده بود، اما توانست هم جایگاه اصلی واکنش و هم سمتی را که واکنش از آن رخ می‌دهد، در هر شش مولکول پیچیده‌تر حاوی دو گروه کتون به‌درستی پیش‌بینی کند. این قابلیت انتقال، دستاورد محوری پژوهش است؛ زیرا مدلی که فقط برای مولکول‌های مورد استفاده در آموزش خود کار کند، ارزش محدودی دارد. توانایی تعمیم مدل از مولکول‌های ساده آموزشی به ترکیبات پیچیده‌تر و دارای چند گروه عاملی نشان می‌دهد که مقیاس سینتیکی و توصیفگرهای الکترونی به‌کاررفته، اصول واقعی شیمیایی را بازتاب می‌دهند، نه صرفاً الگوهای خاص موجود در مجموعه داده‌ها.
ساکاگوچی تأکید کرد که پایگاه داده سینتیکی پالایش‌شده و فرایند کاری مبتنی بر توصیفگرهای مولکولی که در این پژوهش ارائه شده‌اند، زیربنایی برای تحلیل‌های بیشتر، ساخت مدل‌های پیش‌بینی جدید و آزمودن فرضیه‌های سازوکاری در سامانه‌های پیچیده کاهش فراهم می‌کنند. در عمل، آزمایشگاه‌های دیگر نیز می‌توانند از روش آزمایش رقابتی استفاده کنند، داده‌های سرعت واکنش قابل مقایسه تولید کنند و با تکیه بر پایگاه داده منتشرشده، پیش‌بینی‌ها را به انواع جدیدی از واکنش‌ها گسترش دهند. این فرایند کاری، اندازه‌گیری‌های آزمایشگاهی را به شیمی محاسباتی پیوند می‌دهد و به هر یک از این مؤلفه‌ها امکان می‌دهد مؤلفه‌های دیگر را اعتبارسنجی و تقویت کنند.
این روش می‌تواند پیامدهای مهمی برای کشف دارو و شیمی صنعتی داشته باشد. واکنش‌های ناخواسته در سنتز دارو ممکن است اثربخشی نامزدهای دارویی را از بین ببرند یا حتی آن‌ها را زیان‌بار کنند؛ در مقابل، ناکارآمدی فرایندهای صنعتی موجب اتلاف انرژی، مواد و زمان می‌شود. روشی که بتواند پیش از انجام سنتز، نتیجه واکنش را پیش‌بینی کند، ممکن است از بروز چنین مشکلاتی در همان مرحله طراحی جلوگیری کند و به شیمی‌دانان امکان دهد مسیرهای سنتزی و شرایط مناسب‌تر را از پیش انتخاب کنند. این رویکرد همچنین می‌تواند به درک بهتر رفتار مواد شیمیایی در مواجهه با یکدیگر یا در محیط‌های متفاوت کمک کند؛ مسئله‌ای که با انتقال مولکول‌ها از شرایط آزمایشگاهی به محیط‌های زیستی یا صنعتی اهمیت بیشتری می‌یابد.
این پژوهش با عنوان «واکنش‌پذیری نسبی استخراج‌شده از آزمایش‌های رقابتی و تحلیل حالت الکترونی سه‌بعدیِ گزینش‌پذیری جایگاهی و وجهی در کاهش کتون با NaBH4/MeOH» در ۱۴ سپتامبر ۲۰۲۶ در مجله JACS Au منتشر شد. شناسه دیجیتال مقاله (DOI) برابر با 10.1021/jacsau.6c01269 است. تایسی کاوازاکی، مایو ایتاکورا و چی‌هیرو تادا، همگی از گروه شیمی و علوم زیستی دانشگاه ملی یوکوهاما، نیز در نگارش مقاله مشارکت داشتند. تأمین مالی پژوهش بر عهده بنیاد توکیو اوکا برای ترویج علم و فناوری، پروژه توسعه نیروی انسانی هوش مصنوعی نسل آینده، آژانس علم و فناوری ژاپن و انجمن ترویج علم ژاپن بود. با گسترش پایگاه داده پالایش‌شده و آزمایش این فرایند کاری روی انواع جدید واکنش‌ها، پیش‌بینی رفتار شیمیایی پیش از سنتز به استفاده روزمره نزدیک‌تر می‌شود؛ قابلیتی که ممکن است در سال‌های آینده رویکرد شیمی‌دانان به طراحی مولکول‌ها و مسیرهای سنتزی را دگرگون کند.
حوزه پژوهش: شیمی
عنوان مقاله: رویکردی انتقال‌پذیر برای پیش‌بینی شیمیایی می‌تواند به کاهش آزمون‌وخطا کمک کند.
منبع مقاله: رویکردی انتقال‌پذیر برای پیش‌بینی شیمیایی می‌تواند به کاهش آزمون‌وخطا کمک کند.
اعتبار تصویر: تولیدشده با هوش مصنوعی
منبع خبر: ترزا اودوم، ۱۶ اکتبر ۲۰۲۶، «مدل یادگیری ماشینی جدید، واکنش‌های شیمیایی را پیش از وقوع پیش‌بینی می‌کند»، Scienmag.