Desarrollo de modelos farmacéuticamente relevantes de reactividad de acoplamiento C-N catalizado por Pd aprovechando...

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.