RetroChimera, hedef molekülden elde edilebilir başlangıç maddelerine giden sentez yollarını farklı öğrenme eğilimlerine sahip modelleri birleştirerek arıyor. Nature çalışması, sistemin az görülen tepkimeler ve ikna edici görünen yanlış öneriler üzerindeki sınamalarını anlatıyor. Microsoft Research, GSK ve Novartis'in de yer aldığı ekip, önerileri organik kimyagerlerin tercihleriyle karşılaştırdı; gerçek keşif ortamlarındaki değerlendirme ise sonraki adım.
Yapay Zekâ··Sabah
Bir hedef molekülden geriye doğru
RetroChimera, istenen bir hedef molekülden başlayıp daha basit ve elde edilebilir başlangıç maddelerine doğru geriye çalışan sentez yolları öneriyor. Bu alan, hangi kimyasal tepkimelerin hangi sırayla uygulanacağını seçmeyi gerektiriyor. Microsoft Research, GSK ve Novartis araştırmacılarının da yer aldığı ekip, tek bir modelin önerisine dayanmak yerine farklı öğrenme eğilimleri taşıyan iki bileşenin sonuçlarını öğrenen bir birleştirme yöntemiyle topladı. Nature makalesi de aynı yöntemi ve hedefi açıklıyor.[1], [2]
Az görülen tepkimeler temel sınama
Çalışma, önceki sentez planlama modellerinin iki zayıf noktasına odaklanıyor: eğitim verisinde az görülen ama kimya açısından önemli tepkimeler ve makul görünen yanlış öneriler. RetroChimera; eğitim verisi dışındaki örneklerde, az sayıda örnek içeren tepkime sınıflarında ve ilaç şirketlerinin kurum içi verilerinde sınandı. Araştırmacılar böylece yalnızca bilinen veri dağılımındaki başarıma değil, başka kimya kümelerine aktarım sırasında önerilerin tutarlı kalıp kalmadığına da baktı.[1], [2]
Kimyager tercihi laboratuvar kullanımının yerini tutmuyor
Organik kimyagerler, RetroChimera'nın önerdiği yolları karşılaştırılan model yollarına ve daha önce yayımlanmış bazı sentezlere karşı değerlendirdi. İki kaynak da uzmanların sistemin önerilerini daha sık tercih ettiğini bildiriyor. Bu değerlendirme, yolların kimyasal akla uygunluğu için önemli bir insan denetimi sağlıyor; gerçek bir keşif programında uygulanabilirliği tek başına kanıtlamıyor. Araştırmacılar sıradaki adım olarak modeli gerçek keşif ortamlarında sınamayı ve önerilerin laboratuvar iş akışına nasıl uyduğunu görmeyi planlıyor.[1], [2]
