自主,多属性驱动的分子发现:从预测到测量

科学领域:

• 计算化学
• 材料科学
• 有机合成

背景情况:

• 加速发现具有定制性质的新分子对于各种科学领域的发展至关重要.
• 传统的分子设计和合成可能耗时且资源密集.
• 机器学习 (ML) 为提高分子发现效率提供了一个有前途的途径.

研究的目的:

• 开发和演示由集成机器学习工具驱动的闭环,自主分子发现平台.
• 加速具有特定目标特性的分子的设计和实验实现,例如吸收波长,脂性和光氧化稳定性.
• 探索不同且很少报道的分子支架中的结构功能关系.

主要方法:

• 实现一个闭环的自主平台,整合机器学习用于分子设计.
• 使用分子设计-制造-测试-分析 (DMTA) 的代循环进行实验验证.
• 在化学结构属性数据上训练的属性预测模型的开发和应用.
• 采用多步合成和各种反应方法来实现分子.

主要成果:

• 该平台在三个自动化DMTA循环中实验实现了294个以前未报告的染料类分子.
• 对四种罕见的分子支架的结构功能空间进行了探索.
• 在不同的脚手架衍生空间中有效地学习和指导物质预测模型.
• 第二项研究成功地使用训练有素的模型在未经探索的化学空间中发现了九种高性能分子.

结论:

• 开发的自主平台显著加速了具有理想性质的分子的发现.
• 集成的机器学习工具在复杂的结构属性环境中是有效的.
• 该平台在探索已知和未知的化学空间以产生新分子方面表现出多样性.