Modell sagt im Labor voraus, wo ein Molekül reagiert

Chemiker, die wissen wollen, wo ein Molekül reagiert, verlassen sich seit Langem auf die Produktausbeute, also den Anteil der Ausgangssubstanz, der nach mehreren Syntheseschritten als gewünschtes Produkt vorliegt. Diese Größe wird durch Reinigung und Nebenreaktionen verwischt und ändert sich von einem Syntheseszenario zum anderen. Außerdem sagt sie nichts darüber, welche von mehreren reaktiven Gruppen tatsächlich reagiert hat.

An der Yokohama National University wählte ein Team um den außerordentlichen Professor Hiroaki Gotoh und den Doktoranden Daimon Sakaguchi einen einfacheren Weg. Sie mischten komplexe Moleküle mit mehreren Ketongruppen, also Sauerstoff- und Kohlenstoffatomen, die durch eine Doppelbindung verbunden sind, mit unterschiedlichen Mengen Natriumborhydrid in Methanol. Indem sie maßen, welche Ketongruppe zuerst reagierte, erstellten sie für jedes Molekül eine kinetische Skala, also eine Reaktionsgeschwindigkeitskarte. Anschließend kombinierte das Team diese Karte mit dreidimensionalen elektronischen Informationen aus der Umgebung jeder Reaktionsstelle und speiste beides in ein Modell für maschinelles Lernen ein.

Das Modell war nur mit einfachen Molekülen trainiert worden. Bei sechs weiteren, komplexeren Molekülen mit jeweils zwei Ketongruppen sagte es sowohl die wichtigste Reaktionsstelle als auch die Seite, von der die Reaktion ausging, richtig voraus. Die in JACS Au veröffentlichte Studie zeigt, dass Konkurrenzexperimente Labormessungen, quantenchemische Berechnungen und maschinelles Lernen in einem einzigen Workflow verbinden können. Die Autoren betonen, dass es sich um Laborergebnisse zu einer klar definierten Reaktion mit Natriumborhydrid in Methanol handelt.

Für Chemiker, die einen Wirkstoffkandidaten entwerfen, läge der praktische Gewinn darin, vor der Synthese zu wissen, welcher Teil eines Moleküls voraussichtlich reagiert und welches Produkt entstehen wird. Gotoh nennt Wirkstoffkandidaten, Naturstoffe und funktionelle Moleküle als Ziel und beschreibt das Anliegen als weniger Ausprobieren und schnellere Entdeckung neuer Moleküle und Syntheserouten. Wann solche Vorhersagen praktisch genutzt werden könnten, sagt das Team nicht, ebenso wenig, ob das Modell auch für andere Reaktionen gilt. Angeboten wird jedoch eine kuratierte kinetische Datenbank sowie ein Deskriptor-Workflow, die andere Forschende wiederverwenden können, um neue Modelle zu entwickeln und ihre Hypothesen an komplexeren Reduktionen zu testen.