A gyógyszerkutatás egyik legnehezebb szakasza, hogy miután megvan a gyógyító molekula, azt is le kell írni, hogy az hogyan állítható elő különböző kémiai építőkövekből. Ezt a folyamatot nevezi a kémia reakciómechanizmusnak, amelynek leírása eddig rendkívül hosszadalmas volt. Azt ugyanis csak kísérletezéssel lehetett kideríteni, hogy az egyes – sokszor önmagukban is bonyolult – építőelemek hogyan reagálnak egymásra. (Ezzel a problémával az anyagkutatásban tevékenykedő szakemberek, vegyészek is küzdenek.) A kísérletekre azért van szükség, mert nagyon sokszor lépnek fel olyan reakciók, melyek előre nem vagy csak nehezen jósolhatók meg.

A Cambridge-i Egyetem Cavendish laboratóriumának kutatói most készítettek egy olyan gépi tanulási (machine learning – ML) algoritmust, amely ezt a kísérleti szakaszt nagymértékben képes rövidíteni, ugyanis elég nagy pontossággal képes megjósolni, hogy az adott molekulához szükséges alkotóelemek hogyan reagálnak egymásra. Alpha Lee kutatásvezető ezt azzal magyarázta, hogy az ML a szabadalmaztatott eljárások millióit képes egyidejűleg elemezni, és az azokból "lepárolt" mintákat alkalmazni egy új esetre. Erre még a legfelkészültebb vegyészek sem képesek.

Ugyanakkor az ML-algoritmus még mutatja a kémiai rekciókról szerzett tudásunk hiányosságait is, mivel csak 90 százalékos pontosságra képes.

Olyan, mint egy fordítási probléma

A kutatók érdekes megközelítést alkalmaztak. Magát a folyamatok, melynek során az alkotóelemekből kémiai reakciók útján létrejön egy molekula, fordítási problémaként értelmezték. A kiindulási alkotóelemeket egy nyelvnek, míg a létrejövő molekulát egy másik nyelvnek tekintették. Az algoritmus a különböző leírt reakciókból próbált egy olyan "nyelvi" struktúrát megtanulni, amit aztán átfordított a molekula nyelvére.

A Molecular Transformernek nevezett algoritmus eddig jól működött, hiszen a 90 százalékos pontosságú előrejelzés sokkal jobb, mint amire egy magasan képzett vegyész képes (megközelítőleg 80 százalékos pontosságra). Az algoritmus ráadásul a bemeneti adatok hibáira is képes rávilágítani.

További érdekesség, hogy a modell kétféle megközelítést alkalmaz: nem csak a bonyolult reakciósorozatra ad előrejelzést, hanem ad egy olyan bizonytalansági pontszámot is, amellyel a helytelen előrejelzések körét lehet szűkíteni 89 százalékos pontossággal. Ez komoly megtakarítást hozhat a kutatásokban, ugyanis minden lehetséges utat végig kell próbálni kísérletileg, ami költséges és időrabló. Ha azonban a biztosan kudarcos utakat ki lehet szűrni, akkor lényegesen kevesebb kísérletet kell elvégezni.

Új ismereteket adhat a kémiei reakciókról

Az algoritmus már az iparban is vizsgázott: az egyetemi kutatócsoport az amerikai Pfizer gyógyszercéggel együttműködve próbálta ki a valós gyógyszerkutatási projektekben. A klinikai kísérletek a ScienceDaily beszámolója szerint igazolták a laboratóriumi eredményeket. A modell ráadásul képes előrejelezni azoknak a kémiai reakcióknak a sorrendjét is, amely az adott molekula előállításához vezet. Mint a kutatásvezető mondta, úgy működik, mint egy kémiai GPS, amely megmutatja a vegyészeket, hogy a reakció működik vagy sem, és azt is, hogy az egyes reakcióknak milyen sorrendben kell követniük egymást, hogy a végeredmény a kívánt molekula legyen.

A kutatók egyébként már túlléptek az algoritmus fejlesztésén. Már egy olyan teljes platformon dolgoznak, amely a teljes tervezés–gyártás–tesztelés ciklusát lefedi. A platformot nem csak a gyógyszeripar, hanem az anyagtudomány is tudja használni. Emellett szeretnék kinyerni a modellből azt is, hogy az hogyan szintetizálja a beletáplált kémiai ismereteket. Ettől azt remélik, hogy új ismeretekre tehetnek szert a kémiai reakciókról.