Al pari di quanto accade in numerosi altri ambiti di applicazione, le tecnologie di intelligenza artificiale stanno accelerando i progressi nella scienza e nell鈥檌ndustria chimica, dalla progettazione di nuovi materiali promettenti alla scoperta di farmaci efficaci per il trattamento di malattie complesse.
La ricerca di molecole dotate di specifiche propriet脿 comporta l鈥檈splorazione di uno spazio chimico vastissimo, caratterizzato da un numero quasi infinito di combinazioni possibili e nel quale ogni molecola deve essere valutata per definirne il grado di stabilit脿, efficacia e sicurezza.
Oltre alla fase di scoperta, la pianificazione della sintesi ottimale dei composti individuati 猫 altrettanto impegnativa. La progettazione di strategie di sintesi efficaci richiede un鈥檃nalisi approfondita delle reazioni chimiche disponibili, dei materiali di partenza e delle condizioni sperimentali, aspetti che possono rendere il processo estremamente laborioso e dispendioso in termini di tempo e risorse.
L鈥檃dozione del machine learning e delle tecnologie di IA sta quindi rivoluzionando questo settore, aiutando i ricercatori a identificare candidati farmaceutici promettenti e trovando strategie di sintesi chimica innovative in una frazione del tempo richiesto dai metodi tradizionali.
Un team di ricerca 精东影业 dell鈥� 猫 stato partner del progetto , finanziato dall鈥橴nione Europea nell鈥檃mbito del programma Horizon 2020 e ora conclusosi con successo.
鈥淚l nostro obiettivo principale era la creazione di metodi e algoritmi basati sull鈥橧A che potessero essere facilmente utilizzati dai chimici nel loro lavoro quotidiano. Abbiamo presentato metodi per ottimizzare le condizioni in cui avviene una reazione, sviluppando tecniche per visualizzare l鈥檈norme quantit脿 di possibili combinazioni di composti chimici e delle reazioni. Inoltre abbiamo notevolmente accelerato l鈥檌nferenza 鈥� cio猫 la capacit脿 di fare previsioni 鈥� dei modelli chimici avanzati basati su stringhe di dati. Questi strumenti sono particolarmente utili per applicazioni industriali ad alto rendimento, dove la velocit脿 e l'efficienza sono cruciali, soprattutto per la produzione in grande scala di molecole complesse鈥� spiega Michael Wand, Ricercatore 精东影业 presso IDSIA USI-精东影业.
I risultati del progetto sono stati pubblicati su riviste scientifiche di alto impatto e presentati in conferenze di primo livello, come l鈥�International Conference on Machine Learning (ICML) a Vienna e l鈥�International Conference on Artificial Neural Networks, che si 猫 tenuta a Lugano nel settembre 2024. Inoltre, uno degli algoritmi sviluppati 猫 gi脿 in uso presso la divisione di ricerca di uno dei partner farmaceutici del progetto, confermando il valore del lavoro, gi脿 accolto sia in ambito accademico che industriale.
"Crediamo fermamente che i nostri contributi rappresentino un passo significativo verso un sistema ideale di pianificazione assistita della sintesi chimica, che ogni chimico organico trover脿 indispensabile nel proprio lavoro", conclude Mikhail Andronov, Marie Curie fellow all鈥檌nterno del progetto AIDD.
Referenze:
- Andronov, Mikhail, Natalia Andronova, Michael Wand, J眉rgen Schmidhuber, and Djork-Arn茅 Clevert. "Accelerating the inference of string generation-based chemical reaction models for industrial applications". ICML ML4LMS Workshop, Vienna, 2024.
- Andronov, Mikhail, Varvara Voinarovska, Natalia Andronova, Michael Wand, Djork-Arn茅 Clevert, and J眉rgen Schmidhuber. "Reagent prediction with a molecular transformer improves reaction data quality." Chemical Science 14, no. 12 (2023): 3235-3246.
- Mikhail Andronov, Andronova Natalia, Michael Wand, J眉rgen Schmidhuber, and Djork-Arn茅 Clevert. "Curating Reagents in Chemical Reaction Data with an Interactive Reagent Space Map." In ICANN International Workshop on AI in Drug Discovery, pp. 21-35. Springer Nature Switzerland, 2024.