Des robots et l'IA s'associent pour découvrir des catalyseurs hautement sélectifs

Les chercheurs ont utilisé un robot de synthèse chimique et un modèle d'intelligence artificielle rentable sur le plan informatique pour prédire et valider avec succès des catalyseurs hautement sélectifs.

L'intelligence artificielle (IA) a récemment fait la une des journaux avec l'arrivée des capacités de traitement du langage de ChatGPT. La création d'un outil aussi puissant pour la conception de réactions chimiques reste un défi important, en particulier pour les réactions catalytiques complexes. Pour aider à relever ce défi, des chercheurs de l'Institute for Chemical Reaction Design and Discovery et du Max Planck Institut für Kohlenforschung ont démontré une méthode d'apprentissage automatique qui utilise des descripteurs chimiques 2D avancés mais efficaces pour prédire avec précision les catalyseurs asymétriques hautement sélectifs, sans avoir recours aux calculs de chimie quantique.

"Il existe plusieurs technologies avancées qui permettent de "prédire" les structures des catalyseurs, mais ces méthodes nécessitent souvent d'importants investissements en ressources et en temps de calcul, et leur précision reste limitée", explique Nobuya Tsuji, coauteur. "Dans le cadre de ce projet, nous avons mis au point un modèle prédictif qui peut être exécuté même avec un ordinateur portable de tous les jours."

Pour qu'un ordinateur puisse apprendre des informations chimiques, les molécules sont généralement représentées comme une collection de descripteurs, qui consistent souvent en de petites parties, ou fragments, de ces molécules. Ceux-ci sont plus faciles à traiter par l'IA et peuvent être arrangés et réarrangés pour construire différentes molécules, tout comme les pièces de Lego peuvent être arrangées et connectées de différentes manières pour construire différentes structures.

Cependant, les descripteurs 2D, moins coûteux en termes de calcul, ont du mal à représenter avec précision les structures complexes des catalyseurs, ce qui conduit à des prédictions inexactes. Pour remédier à ce problème, les chercheurs ont mis au point de nouveaux descripteurs 2D de type Circular Substructure(CircuS) qui représentent explicitement les structures d'hydrocarbures cycliques et ramifiées, qui sont courantes en catalyse. Les données d'apprentissage de l'I.A. ont été obtenues par des expériences via un processus rationalisé et semi-automatique utilisant un robot de synthèse. Ces données expérimentales ont ensuite été converties en descripteurs et utilisées pour entraîner le modèle d'intelligence artificielle.

Les chercheurs ont utilisé le modèle entièrement entraîné pour tester virtuellement 190 catalyseurs ne faisant pas partie des données d'entraînement. Dans cet ensemble, le modèle d'IA a pu prédire des catalyseurs hautement sélectifs après avoir été entraîné uniquement sur les données de catalyseurs à sélectivité modérée, ce qui démontre une capacité d'extrapolation au-delà des données d'entraînement. Le catalyseur prédit comme ayant la plus grande sélectivité a ensuite été testé expérimentalement et a montré une sélectivité presque identique à celle prédite par le modèle d'IA. L'obtention d'une sélectivité élevée est particulièrement cruciale pour la conception de nouveaux médicaments, et cette technique fournit aux chimistes un cadre puissant pour l'optimisation de la sélectivité, qui est efficace en termes de coûts de calcul et de main-d'œuvre.

"Souvent, pour prédire de nouveaux catalyseurs sélectifs, les chimistes utilisent des modèles basés sur des calculs de chimie quantique. Cependant, ces modèles sont coûteux en calcul, et lorsque le nombre de composés et la taille des molécules augmentent, leur application devient limitée", a commenté le co-premier auteur Pavel Sidorov. "Les modèles basés sur les structures 2D sont beaucoup moins coûteux et peuvent donc traiter des centaines et des milliers de molécules en quelques secondes. Cela permet aux chimistes de filtrer beaucoup plus rapidement les composés qui ne les intéressent pas."