Le réseau neuronal stimule la conception de ligands chiraux
Un réseau neuronal formé sur un petit ensemble de données permet aux chercheurs de prédire avec précision l’énantiosélectivité des réactions catalytiques asymétriques. Le système, développé par des chercheurs américains, a permis la conception de nouveaux ligands susceptibles de stimuler l’énantiosélectivité dans une réaction de couplage croisé.
Le criblage des ligands est essentiel pour optimiser la sélectivité des réactions catalytiques, mais le processus demande beaucoup de temps et de ressources. Les approches utilisant la théorie fonctionnelle de la densité (DFT) sont parfois utilisées pour modéliser l’énantiosélectivité afin d’essayer d’accélérer le processus de sélection du ligand, mais il est difficile de naviguer dans des différences énergétiques étroites pour obtenir une image précise du fonctionnement d’un catalyseur chiral. Même si les modèles d’apprentissage automatique pourraient potentiellement améliorer ces prédictions, ils nécessitent traditionnellement de grands ensembles de données.
Aujourd’hui, des chercheurs de l’Université de Yale et de Boehringer Ingelheim Pharmaceuticals ont utilisé un réseau neuronal pour exploiter tout le potentiel d’un petit ensemble de données de caractéristiques moléculaires calculées par DFT pour une réaction de couplage croisé de Negishi. Le réseau neuronal, qui a été formé avec des données décrivant les énergies libres, les géométries et les caractéristiques électroniques de l’état de transition de seulement 17 ligands du phosphore, a pu fournir un modèle très précis d’énantiosélectivité. La méthode est également la première à considérer des dispersions attrayantes dans le cadre d’un réseau neuronal décrivant l’efficacité de la réaction.
Les caractéristiques catalytiques les plus importantes influençant les performances du modèle étaient la population d’électrons de valence au niveau d’un centre de carbone particulier, l’écart de planéité par le centre métallique et l’angle de liaison au niveau d’une jonction cyclique adjacente à l’atome de phosphore.
Le réseau neuronal a permis à l’équipe d’identifier un nouveau ligand présentant une énantiosélectivité supérieure à celle de n’importe lequel des ligands d’entrée, la sélectivité prévue étant en bon accord avec les résultats expérimentaux. Les chercheurs suggèrent que la technologie pourrait être mise en œuvre pour un plus large éventail de réactions, en particulier celles pour lesquelles les données expérimentales sont limitées.
« Les grands modèles de langage, tels que ChatGPT, sont formés sur une grande quantité de texte. Il n’existe pas d’ensemble de données équivalent pour la chimie. Même PubChem, avec plus de cent millions de molécules, est minuscule en comparaison. note Jonathan Goodman, un expert en informatique chimique de l’Université de Cambridge, au Royaume-Uni, qui n’a pas participé au projet. «Une approche différente est nécessaire pour former un réseau neuronal afin qu’il soit utile à la chimie.» Ce (travail) montre qu’il est possible de combiner des données expérimentales, des calculs DFT et des connaissances humaines afin de générer un modèle efficace de sélectivité. Cela est susceptible d’en inspirer d’autres.
