科技前沿 化学界的AlphaGo

15

相信大家一定知道人工智能AlphaGo

AlphaGo可是击败了好多围棋世界名将~

接下来小科将给大家隆重介绍的是化学界的“AlphaGo”

化学界“AlphaGo”问世：加速合成人类所需的化合物

AlphaGo击败了多少围棋世界名将，又创造了多少骄人战绩。这是人工智能的伟绩。

现在，科学家们已经构建出了化学界的“Alphago”：科学家们在《Nature》上发文证明，AI能够以前所未有的速率进行逆向合成反应。原来，人工智能和深度学习已经在化学界大放光彩啦！

逆合成分析法于20世纪60年代由哈佛大学教授E. J. Corey提出。Corey教授因发现这一技术，获得了1990年的诺贝尔化学奖。

PS：逆合成分析法（retrosynthetic analysis）又称切断法(the disconnection approach)，是有机合成路线设计的最基本、最常用的方法。逆合成分析法是一种可逆向的逻辑思维方法，从剖析目标分子的化学结构入手，根据分子中各原子间连接方式（化学键）的特征，综合运用有机化学反应方法和反应机制的知识，选择合适的化学键进行切断，将目标分子转化成一些稍小的中间体；再以这些中间体作为新的目标分子，将其切断成更小的中间体；依次类推，直到找到可以方便购得的起始材料为止。是从合成产物的分子结构入手，采用“切断一种化学键”分析法，来得到所需合成原料（合成子）的方法。

过去，科学家们一直使用计算机辅助有机合成的方式，来完成逆合成分析过程。尽管这种方法可以提高合成效率，然而传统的计算机辅助方式合成速度仍然较慢，且提供的分子质量参差不齐。人类还是需要手动搜索化学反应数据库，来找到制造分子的最佳方法。

而Segler团队开发的新AI工具则使这一过程大大缩短。在未来，人类发现新药或者其他产品的速度将有望达到全新水平。

两种传统合成方法相比（红色和绿色），使用新型人工智能算法（蓝色）在较短时限内可以完成更多分子的合成路线预测。

而在最新的研究中，新的AI工具通过深度学习神经网络来学习所有已知的单步有机化学反应——大约1240万个。这使它能够预测在任何单一步骤中可以使用的化学反应。AI工具重复应用这些神经网络来规划多步骤合成，解构所需的分子，直到最终得到可用的试剂。

目前，许多来自不同学科的研究人员正在着手研究将深度神经网络与蒙特卡洛搜索树相结合。

深度神经网络（Deep Neural Networks）是深度学习的基础；蒙特卡洛搜索树是一种用来评估游戏中移动情况的方法。每走一步，计算机会模拟无数种可能发生的情况，比如如何使象棋游戏结束，计算机会选择最佳方式去走。类似地，机器也可以使用这种深度神经网络，来寻找化学合成中的最佳方式。信息系统专家兼该项研究作者Mike Preuss则用一句话总结了这次的化学界“Alphago”的成功秘诀：“深度神经网络用于预测哪些分子会参加反应。蒙特卡洛搜索树来预测反应的可能性”。

具体而言，该团队开发的AI算法拥有一个包含1200万个已知反应的数据库，其深层的神经网络程序可以从1200万个已知反应中不断学习，而不是在硬性规则中进行编程。而数据库提供的数据越多，算法可以探索的化学途径就越多，预测合成路线的准确度也就越高。

这个算法还运用了类似于AlphaGo的蒙特卡罗树搜索，可将目标分解成数千个可能的节点，在每一步化学反应后评估最有可能成功的下一步，并进一步探索这个“分支”。

在一次测试中，Waller的小组使用该算法尝试绘制治疗阿尔茨海默病的某种药物中间体的六步合成路线。结果算法在5.4秒内就计算出了与文献反应相同的途径。

Segler和他的团队为了测试新AI工具所产生的途径是否能被有经验的化学家分辨出来，向来自中国和德国的两个研究所的45位有机化学家展示了9个分子的两种潜在合成路线：一种由AI合成的途径，另一种途径是由人类设计的。结果，有机化学家们并不能区分出来。

这毫无疑问是药物合成史的一座里程碑。这不仅是因为它可以加速药物发现过程，也是因为它是目前使用AI来标记潜在反应路线的最有效程序之一。研究者们希望用更少的资源，进行更少的实验，生产出提高我们生活质量的物质。

提高合成化学的成功率，对药物研发项目的速度和效率以及降低成本都有巨大的好处。这一技术也为满足人类在农业、医疗及材料科学等领域的需求奠定了坚实的基础。让我们一起期待新型人工智能带给我们的更多惊喜吧！

PS : 想我了？在公众号的下方菜单栏，可以找到我哟~~

本期编辑：陈曜鹏

本期供稿：张鑫

素材来源：物流学院科技协会