发现、合成并表征303个新分子，MIT团队开发机器学习驱动的闭环自主分子发现平台ref 傳統意義上，發現所需特性的分子過程一直是由手動實驗、化學家的直覺以及對機制和第一原理的理解推動的。隨著化學家越來越多地使用自動化裝置和預測合成演算法，自主研究裝置越來越接近實現。
#PDCA #迭代 威力強大的 Loop 系統, 用來開發各式各樣基礎材料。
近日，來自 MIT 的研究人員開發了由整合機器學習工具驅動的閉環自主分子發現平臺，以加速具有所需特性的分子的設計。無需手動實驗即可探索化學空間並利用已知的化學結構。
在兩個案例研究中，該平臺嘗試了 3000 多個反應，其中 1000 多個產生了預測的反應產物，提出、合成並表徵了 303 種未報道的染料樣分子。
該研究以《Autonomous, multiproperty-driven molecular discovery: From predictions to measurements and back》為題，於 2023 年 12 月 22 日釋出在《Science》上。
在兩個案例研究中，該平臺嘗試了 3000 多個反應，其中 1000 多個產生了預測的反應產物，提出、合成並表徵了 303 種未報道的染料樣分子。
該研究以《Autonomous, multiproperty-driven molecular discovery: From predictions to measurements and back》為題，於 2023 年 12 月 22 日釋出在《Science》上。
論文連結：https://www.science.org/...
發現具有所需功能特性的小分子對於健康、能源和可持續發展的進步至關重要。該過程通常是通過緩慢、費力、迭代的設計-製造-測試-分析 (DMTA) 迴圈進行的。
新興的機器學習 (ML) 工具可以生成新的候選分子，預測其特性，並通過計算機輔助合成規劃 (CASP) 提出反應途徑。化學自動化的進步可以在手動設定後以最少的人為干預實現化學合成和表徵。
發現具有所需功能特性的小分子對於健康、能源和可持續發展的進步至關重要。該過程通常是通過緩慢、費力、迭代的設計-製造-測試-分析 (DMTA) 迴圈進行的。
新興的機器學習 (ML) 工具可以生成新的候選分子，預測其特性，並通過計算機輔助合成規劃 (CASP) 提出反應途徑。化學自動化的進步可以在手動設定後以最少的人為干預實現化學合成和表徵。
將 ML 生成演算法、ML 屬性預測、CASP、機器人技術和自動化化學合成、純化和表徵整合到 DMTA 工作流程中，可以開發自主化學發現平臺，該平臺能夠在不同的化學空間中執行，而無需手動重新配置。理想的以屬性為中心的發現平臺將提出併合成分子，以豐富機器學習生成和屬性模型，並最終發現效能最佳的分子。實際上，有必要排除可用自動化硬體無法安全執行的反應。
爲了實現自主發現，來自 MIT 的研究團隊展示了一個整合的 DMTA 迴圈，該迴圈迭代地提出、實現和表徵分子，僅在預測工具的指導下探索化學空間。
爲了實現自主發現，來自 MIT 的研究團隊展示了一個整合的 DMTA 迴圈，該迴圈迭代地提出、實現和表徵分子，僅在預測工具的指導下探索化學空間。
圖補全（graph-completion）生成模型設計候選分子，並使用 ML 模型針對這三個屬性中的每一個進行評估。CASP 工具提出了多步合成配方，由自動液體處理機、批量反應器、高效能液相色譜 (HPLC) 和機械臂執行。Plate reader 測量吸收光譜，校準的 HPLC 保留時間提供水-辛醇分配係數，模擬太陽光源與 plate reader 結合量化光氧化降解。測得的分子特性會自動反饋以重新訓練特性預測模型，從而完成自動化 DMTA 迴圈的一個步驟。
@davebiotechnology - ref 【 AI 已經可以自動做化學研究】 ── 利用大型語言...