人工智能AI、“building-block”积木式化学组建单元和分子制造机器联合起来，可以为合成在生物医学和材料研究中起重要作用的化学物质找到最佳的反应条件。这一发现可以加快创新和药物发现，并使复杂的化学变得自动化和更易操作。

       利用这种机器生成的优化条件，伊利诺伊大学香槟分校的研究人员和波兰和加拿大的合作者将一种特殊的、难以优化的反应类型的平均生产率提高了一倍，这种化学反应将药物重要分子中的碳原子连接在一起。该系统提供了一个平台，也可以用来寻找其他类型反应的一般条件，以及类似复杂问题的解决方案。该研究成果发表在《科学》杂志上。

      “通用性对于自动化至关重要，因此即使非化学家也能获得分子创新，”该研究的共同负责人伯克博士说。“挑战在于，要找到合适的反应条件就像大海捞针。通过利用人工智能和积木式化学的力量来创建反馈回路，我们缩小看寻找范围。我们找到了那根针。”

        研究人员表示，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结构复杂的小分子。

       伯克博士的团队率先开发了小分子的简单化学构造模块。他的实验室还开发了一种自动分子制造机，它可以将积木式化学组建单元拼合在一起，形成各种可能的结构。

       然而，可以让化学自动化过程广泛适用的一般反应条件仍然难以捉摸。

       伯克博士说：“传统上，化学家为试图制造的每种产品定制反应条件。问题是，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，因为机器每次都必须进行优化。我们真正想要的是几乎每次都能工作的条件，无论你试图将哪两件事结合在一起。”

       具有通用条件的自动化方法可以帮助标准化某些产品的制造方式，解决再现性问题。

       伯克的团队与波兰科学院有机化学研究所的Grzybowski领导的团队以及多伦多大学的Alaán Aspuru Guzik领导的团队合作，他们都是使用人工智能和机器学习来改进化学合成的领导者。该团队将人工智能与分子机器集成，为机器学习系统提供实时反馈。

       Grzybowski说：“要区分好与坏，你需要了解一些坏的方面，但人们只会发布成功的信息。”他说，已发表的研究反映了受欢迎或方便的条件，而不是最好的条件，因此有必要采用包含不同数据和负面结果的系统方法。

       首先，该团队使用积木式化学构建模块，通过算法找到可能的组合，从而将类似的反应组合在一起。然后，人工智能发送指令，输入到位于伊利诺伊州贝克曼高级科学技术研究所的分子制造实验室的机器中，从每个簇中产生代表性反应。这些反应的信息反馈到模型中；人工智能从数据中学习，并在分子机器上定制更多实验。

       Grzybowski说：“我们希望看到两件事：产量的提高和不确定性的降低，这是一系列广泛的反应。这个循环一直持续下去，我们不必干预，直到问题解决。以前找出蛋白质合成器的一般条件需要花30年。利用这个新技术，我们只用了两个月的时间。”

该过程确定了使一类具有挑战性的反应的平均产率加倍的条件，这种反应称为杂芳基-铃木-宫浦偶联，杂芳烃-杂芳烃Suzuki-Miyaura交叉偶联反应；这类反应对许多生物和材料相关化合物至关重要。

伊利诺伊州研究生安杰洛是该研究的共同第一作者，他说：“我们甚至没有在人工智能培训中研究过各种构建块组合，但因为人工智能探索了如此多样的场景，它甚至在那些最初未探索的领域也发现了良好的结果。”

       论文中描述的机器学习过程也可以应用于化学的其他广泛领域，为其他类型的小分子甚至更大的有机聚合物找到最佳反应条件。

        该研究的合著者、伊利诺伊州材料科学与工程、化学与生物分子工程教授施罗德表示：“有太多不同的材料类别，我们想了解、瞄准和发现不同的功能性质。这种方法扩展到其他类似的反应化学、其他类型的碳-碳链的可能性令人兴奋。”

相关阅读

美股怎么这么牛？道指又涨828点！