پیشگویی حلالیت: گامی نوین در طراحی داروهای جدید

پژوهشگران شیمی MIT با استفاده از مدل محاسباتی جدیدی توانسته‌اند با کمک یادگیری ماشین، حلالیت مولکول‌ها در حلال‌های آلی را به دقت پیش‌بینی کنند. این نوآوری می‌تواند فرآیند طراحی و تولید داروهای جدید را تسهیل کند و همچنین به کاهش استفاده از حلال‌های مضر بپردازد.

در پژوهشی تازه، مهندسان شیمی MIT توانسته‌اند مدلی بر اساس یادگیری ماشین طراحی کنند که توانایی پیش‌بینی حلالیت مولکول‌ها در حلال‌های آلی را داراست؛ گامی مهم در مسیر سنتز داروها و مولکول‌های سودمند دیگر. این مدل به شیمی‌دانان کمک خواهد کرد تا برای واکنش‌های خود بهترین حلال را انتخاب کنند.

حلال‌های آلی رایج شامل اتانول و استون هستند، اما صدها حلال دیگر نیز در واکنش‌های شیمیایی استفاده می‌شود. طبق گفته محققان این مدل می‌تواند به شیمیدان‌ها در انتخاب حلال‌های سازگارتر با محیط زیست کمک کند و به کاهش استفاده از حلال‌های آسیب‌زا بپردازد.

این مدل جدید توسط دانشجویان فارغ‌التحصیل در MIT توسعه یافته و در پژوهشی که در Nature Communications منتشر شده است، مورد بحث قرار گرفته است. به نظر می‌رسد مدل جدید می‌تواند پیش‌بینی‌های دو تا سه برابر دقیق‌تری نسبت به مدل‌های پیشین ارائه دهد و به ویژه در تغییرات حلالیت ناشی از درجه حرارت دقیق‌تر عمل کند.

یک عامل کلیدی موفقیت این مدل، استفاده از یک پایگاه داده جدید به نام BigSolDB است که شامل داده‌های حلالیت حدود 800 مولکول در بیش از 100 حلال آلی مختلف است. استفاده از نمایه‌سازی عددی برای ساختار شیمیایی مولکول‌ها، به این مدل امکان می‌دهد تا ویژگی‌های شیمیایی مختلفی را پیش‌بینی کند.

مدل FastProp با استفاده از نوعی نمایه‌ داده‌ای به نام “جایگذاری ایستا” می‌تواند پیش‌بینی‌های سریعتری ارائه دهد و همین امر باعث شده تا پژوهشگران این مدل را به صورت عمومی و رایگان در اختیار همگان قرار دهند.

نتیجه‌گیری

توسعه مدل‌های پیشگویی حلالیت با استفاده از یادگیری ماشین، به شیمی‌دانان این امکان را می‌دهد تا با دقت بیشتری بر روی مولکول‌های جدید کار کنند و باتوجه به داده‌های محدود فعلی، این مدل‌ها می‌توانند نقطه شروعی برای کارهای بیشتر و دقیق‌تر در آینده باشند.

پرسش‌های متداول