自律的,多特性駆動の分子発見:予測から測定まで

科学分野:

• コンピュータ化学
• 材料科学
• 有機合成

背景:

• 様々な科学分野を進めるには 適した性質を持つ新種の分子の発見を加速することが重要です
• 伝統的な分子設計と合成は 時間と資源を要するものです
• 機械学習 (ML) は 分子発見の効率を高める 有望な手段です

研究 の 目的:

• 統合された機械学習ツールを駆使した 閉ループの自律的な分子発見プラットフォームを開発し実証する.
• 吸収波長,脂質性,光酸化安定性などの特定の標的特性の分子の設計と実験的実現を加速する.
• 多様でめったに報告されない分子構造の構造-機能関係を探求する.

主な方法:

• 分子設計のための機械学習を統合した閉ループの自律的なプラットフォームの実装.
• 実験的検証のために分子設計・製造・テスト・分析 (DMTA) の繰り返しサイクルを使用する.
• 化学構造-特性データで訓練された性質予測モデルの開発と適用.
• 多段階の合成と分子実現のための多様な反応方法論を使用する.

主要な成果:

• このプラットフォームは3つの自動化されたDMTAサイクルでこれまでに報告されていない294の染料のような分子を実験的に実現しました.
• めったに報告されていない4つの分子構造の構造-機能の探索が達成されました.
• プロパティ予測モデルは,様々なエスカフォード派生空間内の探索を効果的に学習し,導いた.
• 2つ目の研究では 訓練されたモデルを用いて 未知の化学領域で 9つの高性能分子を 発見しました

結論:

• 開発された自律的なプラットフォームは,望ましい性質を持つ分子の発見を大幅に加速します.
• 統合された機械学習ツールは 複雑な構造-プロパティの環境を 効率的に操作できます
• このプラットフォームは,新しい分子の生成のために,よく研究された空間と未熟な化学空間の両方を探求する際の汎用性を示しています.