Desarrollo de modelos farmacéuticamente relevantes de reactividad de acoplamiento C-N catalizado por Pd aprovechando la experimentación de alto rendimiento | JoVE Visualize

Área de la Ciencia:

Química medicinal
Química computacional
Síntesis orgánica

Sus antecedentes:

Los acoplamientos C-N catalizados por paladio son cruciales en la síntesis de productos farmacéuticos.
El desarrollo de modelos predictivos para estas reacciones es un desafío debido a los espacios de reacción complejos.

Objetivo del estudio:

Desarrollar y validar modelos de aprendizaje automático para predecir el éxito de los acoplamientos C-N catalizados por Pd.
Aprovechar un gran conjunto de datos generados de novo para la formación y evaluación de modelos sólidos.

Principales métodos:

Generó un gran conjunto de datos (4204 productos únicos) utilizando experimentación de alto rendimiento.
Se han desarrollado nuevas condiciones de acoplamiento C-N compatibles con la automatización y con reacciones a escala nanomolécula utilizando LiOTMS como base.
Se emplearon cinco estrategias distintas de división de datos para evaluar rigurosamente el rendimiento del modelo, incluidas las capacidades de interpolación y extrapolación.

Principales resultados:

Los modelos de aprendizaje automático demostraron un alto rendimiento predictivo en todas las divisiones de datos, como lo indican las métricas de evaluación estándar.
Los modelos predijeron con precisión los resultados para las bibliotecas de validación no incluidas en el conjunto de capacitación, lo que demuestra una fuerte generalización.
Las condiciones de reacción desarrolladas fueron compatibles con la automatización y la síntesis a escala nanomolécula.

Conclusiones:

Los modelos de aprendizaje automático desarrollados ofrecen una alta precisión en la predicción de los resultados del acoplamiento C-N catalizado por Pd.
Estos modelos pueden mejorar significativamente la eficiencia de las campañas de química medicinal mediante el enriquecimiento de acoplamientos C-N exitosos.
El estudio destaca el poder de la generación de datos de novo a gran escala y el aprendizaje automático para acelerar el descubrimiento de fármacos.