Test di laboratorio: un modello prevede dove reagisce una molecola

Chemists who want to know where a molecule will react have long relied on product yield, the share of starting material that ends up as the intended product after several synthesis steps. The measure is blurred by purification and by side reactions, and it changes from one synthesis scenario to another. It also says nothing about which of several reactive groups actually reacted.

I chimici che vogliono sapere dove reagirà una molecola si affidano da tempo alla resa di prodotto, cioè alla quota di materiale di partenza che finisce come prodotto desiderato dopo diversi passaggi di sintesi. Questa misura è alterata dalla purificazione e dalle reazioni secondarie, e varia da uno scenario di sintesi all'altro. Inoltre non dice nulla su quale tra più gruppi reattivi abbia effettivamente reagito.

At Yokohama National University, a team led by associate professor Hiroaki Gotoh and doctoral student Daimon Sakaguchi chose a simpler route. They mixed complex molecules containing several ketone groups, which are oxygen and carbon atoms joined by a double bond, with different amounts of sodium borohydride in methanol. By measuring which ketone group reacted first, they built a kinetic scale, or reaction-rate map, for each molecule. The team then combined this map with three-dimensional electronic information taken from around each reacting site, and fed both into a machine-learning model.

Alla Yokohama National University, un team guidato dal professor associato Hiroaki Gotoh e dal dottorando Daimon Sakaguchi ha scelto una strada più semplice. Hanno mescolato molecole complesse contenenti più gruppi chetonici, cioè atomi di ossigeno e carbonio uniti da un doppio legame, con quantità diverse di boroidruro di sodio in metanolo. Misurando quale gruppo chetonico reagisse per primo, hanno costruito una scala cinetica, ovvero una mappa della velocità di reazione, per ciascuna molecola. Il team ha poi combinato questa mappa con informazioni elettroniche tridimensionali raccolte intorno a ciascun sito reattivo, e le ha inserite in un modello di apprendimento automatico.

The model was trained only on simple molecules. Tested on six more complex molecules, each with two ketone groups, it correctly predicted both the main reaction site and the side from which the reaction occurred. The study, published in JACS Au, shows that competition experiments can link laboratory measurements, quantum-chemical calculations and machine learning in a single workflow. The authors stress that these are laboratory results on a defined reaction, with sodium borohydride in methanol.

Il modello è stato addestrato solo su molecole semplici. Testato su sei molecole più complesse, ciascuna con due gruppi chetonici, ha previsto correttamente sia il sito di reazione principale sia il lato da cui avveniva la reazione. Lo studio, pubblicato su JACS Au, dimostra che esperimenti di competizione possono collegare misure di laboratorio, calcoli quantochimici e apprendimento automatico in un unico flusso di lavoro. Gli autori sottolineano che si tratta di risultati di laboratorio su una reazione definita, con boroidruro di sodio in metanolo.

For a chemist designing a drug candidate, the practical gain would be knowing, before synthesis, which part of a molecule is likely to react and which product will form. Gotoh names drug candidates, natural products and functional molecules as the target, and frames the aim as fewer trial-and-error cycles and faster discovery of new molecules and synthetic routes. The team does not say when such predictions could be used in practice, nor whether the model holds for reactions other than this one. What it does offer is a curated kinetic database and a descriptor workflow that other researchers can reuse to build new models and test their hypotheses on more complex reductions.

Per un chimico che progetta un candidato farmaco, il vantaggio pratico sarebbe sapere, prima della sintesi, quale parte di una molecola è probabile che reagisca e quale prodotto si formerà. Gotoh indica come obiettivi i candidati farmaci, i prodotti naturali e le molecole funzionali, e presenta come traguardo la riduzione dei tentativi e una scoperta più rapida di nuove molecole e percorsi di sintesi. Il team non dice quando tali previsioni potranno essere usate in pratica, né se il modello valga anche per reazioni diverse da questa. Ciò che offre è una banca dati cinetica curata e un flusso di lavoro basato su descrittori, che altri ricercatori possono riutilizzare per costruire nuovi modelli e verificare le proprie ipotesi su riduzioni più complesse.