Usando el estudios obligatorio, los ingenieros de MIT Chemical han creado un maniquí computacional que puede predecir qué tan correctamente se disolverá cualquier molécula en un solvente orgánico, un paso esencia en la síntesis de casi cualquier farmacéutico. Este tipo de predicción podría hacer que sea mucho más acomodaticio desarrollar nuevas formas de producir drogas y otras moléculas avíos.
El nuevo maniquí, que predice cuánto de un soluto se disolverá en un disolvente particular, debería ayudar a los químicos a designar el solvente correcto para cualquier reacción dada en su síntesis, dicen los investigadores. Los solventes orgánicos comunes incluyen C2H5OH y acetona, y hay cientos de otros que incluso pueden estar de moda en reacciones químicas.
«Predecir la solubilidad verdaderamente es un paso limitante de la velocidad en la planificación sintética y la fabricación de productos químicos, especialmente los medicamentos, por lo que ha habido un interés de larga data en poder hacer mejores predicciones de solubilidad», dice Lucas Attia, un estudiante reconocido del MIT y uno de los autores principales del nuevo estudio.
Los investigadores han hecho su maniquí Apto gratis, y muchas empresas y laboratorios ya han comenzado a usarlo. El maniquí podría ser particularmente útil para identificar solventes que son menos peligrosos que algunos de los solventes industriales más utilizados, dicen los investigadores.
«Hay algunos solventes que se sabe que disuelven la mayoría de las cosas. Son verdaderamente avíos, pero son perjudiciales para el medio esfera, y son perjudiciales para las personas, por lo que muchas compañías requieren que tenga que minimizar la cantidad de esos solventes que usa», dice Jackson Burns, un estudiante reconocido del MIT que incluso es autor principal del documento. «Nuestro maniquí es extremadamente útil para poder identificar al próximo mejor solvente, que con suerte es mucho menos dañino para el medio esfera».
William Green, profesor de ingeniería química de Hottel de Hoyt y director de la Iniciativa MIT Energy, es el autor principal de la estudiarque aparece hoy en Comunicaciones de la naturaleza. Patrick Doyle, profesor de ingeniería química de Robert T. Haslam, incluso es autor del documento.
Resolver solubilidad
El nuevo maniquí surgió de un plan en el que Attia and Burns trabajó juntos en un curso del MIT para aplicar el estudios obligatorio a los problemas de ingeniería química. Tradicionalmente, los químicos han predicho la solubilidad con una útil conocida como el maniquí de solvatación de Abraham, que puede estar de moda para estimar la solubilidad común de una molécula al asociar las contribuciones de las estructuras químicas interiormente de la molécula. Si correctamente estas predicciones son avíos, su precisión es limitada.
En los últimos primaveras, los investigadores han comenzado a usar el estudios obligatorio para tratar de hacer predicciones de solubilidad más precisas. Antaño de que Burns y Attia comenzaran a trabajar en su nuevo maniquí, el maniquí de vanguardia para predecir la solubilidad era un maniquí desarrollado en el laboratorio de Green en 2022.
Ese maniquí, conocido como solprop, funciona prediciendo un conjunto de propiedades relacionadas y combinándolas, utilizando la termodinámica, para predecir en última instancia la solubilidad. Sin secuestro, el maniquí tiene dificultades para predecir la solubilidad para los solutos que no había trillado ayer.
«Para las tuberías de descubrimiento de drogas y químicos donde está desarrollando una nueva molécula, desea poder predecir con anticipación cómo se ve su solubilidad», dice Attia.
Parte de la razón por la que los modelos de solubilidad existentes no han funcionado correctamente es porque no había un conjunto de datos integral para entrenarlos. Sin secuestro, en 2023 se lanzó un nuevo conjunto de datos llamado BigSoldb, que compiló datos de casi 800 artículos publicados, incluida la información sobre la solubilidad para aproximadamente 800 moléculas disueltas sobre más de 100 solventes orgánicos que se usan comúnmente en química sintética.
Attia y Burns decidieron probar dos tipos diferentes de modelos en estos datos. Entreambos modelos representan las estructuras químicas de las moléculas utilizando representaciones numéricas conocidas como incrustaciones, que incorporan información como el número de átomos en una molécula y qué átomos están unidos a los que otros átomos. Los modelos pueden usar estas representaciones para predecir una variedad de propiedades químicas.
Uno de los modelos utilizados en este estudio, conocidos como FastProp y desarrollados por Burns y otros en el Laboratorio de Green, incorpora «incrustaciones estáticas». Esto significa que el maniquí ya conoce la incrustación para cada molécula ayer de que comience a hacer cualquier tipo de estudio.
El otro maniquí, ChemProp, aprende una incrustación para cada molécula durante el entrenamiento, al mismo tiempo que aprende a asociar las características de la incrustación con un cualidad como la solubilidad. Este maniquí, desarrollado en múltiples laboratorios del MIT, ya se ha utilizado para tareas como el descubrimiento de antibióticos, el diseño de nanopartículas lipídicas y la predicción de las velocidades de reacción química.
Los investigadores capacitaron a los dos tipos de modelos en más de 40,000 puntos de datos de BigSoldB, incluida la información sobre los mercadería de la temperatura, lo que juega un papel importante en la solubilidad. Luego, probaron los modelos en unos 1,000 solutos que habían sido retenidos de los datos de entrenamiento. Descubrieron que las predicciones de los modelos eran de dos a tres veces más precisas que las de Solprop, el mejor maniquí previo, y los nuevos modelos fueron especialmente precisos para predecir variaciones en la solubilidad correcto a la temperatura.
«Ser capaz de reproducir con precisión esas pequeñas variaciones en la solubilidad correcto a la temperatura, incluso cuando el ruido empírico común es muy conspicuo, era una señal verdaderamente positiva de que la red había aprendido correctamente una función de predicción de solubilidad subyacente», dice Burns.
Predicciones precisas
Los investigadores esperaban que el maniquí basado en ChemProp, que puede instruirse nuevas representaciones a medida que avanza, pudiera hacer predicciones más precisas. Sin secuestro, para su sorpresa, descubrieron que los dos modelos funcionaban esencialmente iguales. Eso sugiere que la muro principal en su rendimiento es la calidad de los datos, y que los modelos están funcionando, así como teóricamente posibles en función de los datos que están utilizando, dicen los investigadores.
«Chemprop siempre debe aventajar cualquier incrustación estática cuando tenga datos suficientes», dice Burns. «Nos sorprendió al ver que las embedidas estáticas y aprendidas eran estadísticamente indistinguibles en el rendimiento en todos los diferentes subconjuntos, lo que nos indica que las limitaciones de datos que están presentes en este espacio dominaron el rendimiento del maniquí».
Los modelos podrían ser más precisos, dicen los investigadores, si hubieran mejores datos de capacitación y pruebas disponibles, idealmente, los datos obtenidos por una persona o un liga de personas capacitadas para realizar los experimentos de la misma modo.
«Una de las grandes limitaciones del uso de este tipo de conjuntos de datos compilados es que diferentes laboratorios usan diferentes métodos y condiciones experimentales cuando realizan pruebas de solubilidad. Eso contribuye a esta variabilidad entre diferentes conjuntos de datos», dice Attia.
Conveniente a que el maniquí basado en FastProp hace que sus predicciones sean más rápidas y tiene un código que es más acomodaticio para otros usuarios, los investigadores decidieron hacer que esa, conocida como Fastsolv, esté acondicionado para el notorio. Múltiples compañías farmacéuticas ya han comenzado a usarlo.
«Hay aplicaciones en toda la tubería de descubrimiento de drogas», dice Burns. «Asimismo estamos emocionados de ver, fuera de la formulación y el descubrimiento de drogas, donde las personas pueden usar este maniquí».
La investigación fue financiada, en parte, por el Unidad de Energía de los Estados Unidos.