Selectividad anómica de las glicosilaciones a través de una lente de aprendizaje automático

Área de la Ciencia:

• Química de los carbohidratos
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• La predicción de la estereoselectividad en las reacciones de glicosilación sigue siendo un desafío significativo en la química de los carbohidratos.
• Comprender y controlar la selectividad anómica es crucial para sintetizar carbohidratos complejos.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje automático capaces de predecir la estereoselectividad de la glucosilación.
• Crear una herramienta disponible para el público, GlycoPredictor, que integre estos modelos predictivos.
• Analizar las tendencias de glucosilación y establecer una jerarquía de reglas que rigen la estereoselectividad.

Principales métodos:

• Análisis estadístico de los datos de la literatura sobre las reacciones de glicosilación.
• Desarrollo e integración de tres modelos de aprendizaje automático para predecir el anómero mayor, la presencia de anómero menor y la relación anómera.
• Validación de las tendencias previstas mediante nuevos métodos de glicosilación.

Principales resultados:

• Construyeron con éxito modelos de aprendizaje automático que predicen con precisión los resultados de la glucosilación.
• La herramienta GlycoPredictor proporciona predicciones para el anómero mayor, el anómero menor y la relación anómera.
• Identificó una jerarquía de reglas que rigen la estereoselectividad de la glucosilación, revelando nuevas tendencias.

Conclusiones:

• El aprendizaje automático ofrece un enfoque poderoso para predecir y comprender la estereoselectividad de la glucosilación.
• GlycoPredictor sirve como un recurso valioso para los químicos, complementando el conocimiento experto.
• Los hallazgos avanzan en el campo de la química de los carbohidratos al proporcionar ideas predictivas y guiar estrategias sintéticas.