探索新型化学反应的AI机器人诞生!有望加速药物发现 | Nature论文

简介: 近日,来自格拉斯哥大学(University of Glasgow)的研究人员完成了一项新研究:他们训练出了一个人工智能驱动的有机化学合成机器人,从而使探索大量化学反应的过程实现自动化。

近日,来自格拉斯哥大学(University of Glasgow)的研究人员完成了一项新研究:他们训练出了一个人工智能驱动的有机化学合成机器人,从而使探索大量化学反应的过程实现自动化。这项研究发表在了《自然》上,研究人员称,这项研究能够变革分子的发现方式。

说到有机化学合成机器人,你可能会想象有一个人形机器人在实验室里走来走去,或者是一条机械手臂拿着五颜六色的试管在做各种试验。然而,此次格拉斯哥大学研究人员开发的机器人却和你想象的大相径庭:这套机器人系统包含一系列泵和反应器,并与质谱仪、核磁共振光谱仪及看红外光谱仪等仪器连接到一起。


image

▲机器人系统的外观示意图(图片来源:《自然》)


这些泵中都装有需要进行混合的化学样品,然后将溶液放入反应器烧瓶中,并导入不同类型的光谱仪进行分析。机器人系统将会对不同光谱仪的信息进行研究,从而判断在这过程中是否出现了化学反应,若未出现任何反应则给出0分,反之则给出1分。这个过程听上去貌似很简单,但是在其背后有着强大的机器学习算法作为支撑,并使用数据驱动的方法来对分子进行定位,而并未局限于已知的数据库和有机合成的常用规则。

该团队使用这个机器人系统,对18种不同的起始化学物质组合而成的约1000个反应进行了搜索,从而展示了该系统的潜力。令人惊讶的是,仅在探索了大约100种可能的化学反应之后,机器人系统就能以超过80%的准确度来预测应该搜索哪些起始化学物质的组合,从而产生新的反应和分子。


image


▲该研究中使用的算法示意图(图片来源:《自然》)


通过对这些化学物质组合进行搜索,机器人系统发现了一系列从前未知的新分子和新化学反应,甚至其中的一个新化学反应是目前最独特反应中的前1%。同时,该系统可以同时进行6次实验,其一天之内可以完成的实验总数高达36次,和人类一天只能进行3-4项实验相比,该系统在数量上的表现也令人印象深刻。

该研究的负责人,格拉斯哥大学化学系的Lee Cronin教授表示:“通过这项研究,我们可以对化学物质和反应进行实时搜索,从而发现具有宝贵应用价值的新分子和新药物。同时,这项研究可以削减药物发现的成本和时间,并且大幅提高安全性。我们的这项发现,预示着化学研究已经进入了新的数字时代。”

参考资料:

[1] Robot chemist discovers new molecules and reactions

[2] Robot chemist could revolutionise study of new molecules through machine learning

[3] Boffins mix AI and chemicals to create super-fast lab assistant

[4] Controlling an organic synthesis robot with machine learning to search for new reactivity

原文发布时间为:2018-07-25
本文来自云栖社区合作伙伴“量子位”,了解相关信息可以关注“量子位”。

相关文章
|
1月前
|
机器学习/深度学习 人工智能 编解码
ByteDance Research登Nature子刊:AI+冷冻电镜,揭示蛋白质动态
在生物医学领域,蛋白质的结构与功能研究至关重要。ByteDance Research团队开发的CryoSTAR软件,结合AI与冷冻电镜技术,通过深度学习模型、结构先验和异质性重构算法,成功解析了蛋白质的动态行为,尤其在处理结构异质性方面表现出色。该软件已在多个蛋白质体系中取得显著成果,如TRPV1通道蛋白的动态变化研究,为理解蛋白质功能及疾病机制提供了新思路。论文链接:https://www.nature.com/articles/s41592-024-02486-1
82 26
|
1月前
|
人工智能 自然语言处理 算法
谷歌DeepMind研究再登Nature封面,隐形水印让AI无所遁形
近日,谷歌DeepMind团队在《自然》期刊上发表了一项名为SynthID-Text的研究成果。该方法通过引入隐形水印,为大型语言模型(LLM)生成的文本添加统计签名,从而实现AI生成文本的准确识别和追踪。SynthID-Text采用独特的Tournament采样算法,在保持文本质量的同时嵌入水印,显著提高了水印检测率。实验结果显示,该方法在多个LLM中表现出色,具有广泛的应用潜力。论文地址:https://www.nature.com/articles/s41586-024-08025-4。
76 26
|
1月前
|
机器学习/深度学习 人工智能 搜索推荐
哈佛推出全新类ChatGPT癌症诊断AI,登上Nature!准确率高达96%
哈佛大学研究团队开发的新型AI模型CHIEF,在《自然》期刊发表,癌症诊断准确率达96%。CHIEF基于深度学习,能自动识别、分类癌症并预测生存期,具高准确性、多任务能力和泛化性。它结合病理图像与基因组学等数据,显著提升诊断效率和个性化治疗水平,有望改善医疗资源不平等。但数据隐私和临床效果验证仍是挑战。论文见:https://www.nature.com/articles/s41586-024-07894-z
169 101
|
1天前
|
机器学习/深度学习 人工智能 算法
ProtGPS:MIT再造生命科学新基建!蛋白质AI一键预测定位+设计新序列,登Nature子刊
ProtGPS 是麻省理工学院和怀特黑德研究所联合开发的蛋白质语言模型,能够预测蛋白质在细胞内的亚细胞定位,并设计具有特定亚细胞定位的新型蛋白质。
36 17
ProtGPS:MIT再造生命科学新基建!蛋白质AI一键预测定位+设计新序列,登Nature子刊
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
Agent Laboratory:AI自动撰写论文,AMD开源自动完成科研全流程的多智能体框架
Agent Laboratory 是由 AMD 和约翰·霍普金斯大学联合推出的自主科研框架,基于大型语言模型,能够加速科学发现、降低成本并提高研究质量。
247 23
Agent Laboratory:AI自动撰写论文,AMD开源自动完成科研全流程的多智能体框架
|
8天前
|
机器学习/深度学习 存储 人工智能
预定下一个诺奖级AI?谷歌量子纠错AlphaQubit登Nature,10万次模拟实验创新里程碑
谷歌的量子纠错算法AlphaQubit近日登上《自然》杂志,被誉为量子计算纠错领域的重大突破。量子比特易受环境噪声干扰,导致计算错误,而AlphaQubit通过神经网络学习噪声模式,显著提升纠错准确性。实验结果显示,它在Sycamore处理器和Pauli+模拟器上表现优异,优于现有解码算法。尽管面临资源需求高等挑战,AlphaQubit为实用化量子计算带来新希望,并可能推动其他领域创新。论文详见:https://www.nature.com/articles/s41586-024-08148-8
25 5
|
24天前
|
机器学习/深度学习 人工智能 算法
Nature:AI也许可以拥有常识,但不是现在
人工智能(AI)的快速发展引发了关于其是否能拥有常识的讨论。尽管AI在特定任务上取得进展,但目前仍缺乏真正的常识理解。常识涉及对物理世界、社会规范和文化背景的理解,难以通过数据和算法完全捕捉。研究人员正通过大规模语言模型和强化学习等方法提升AI的常识能力,但仍面临显著局限性,如对物理世界的直观理解不足、社会文化背景理解欠缺以及常识能力的通用性差等问题。未来,多模态学习和与人类交互有望增强AI的常识能力。
51 20
|
1月前
|
人工智能
Scaling Laws终结,量化无用,AI大佬都在审视这篇论文
《Scaling Laws for Precision》论文提出“精度感知”的扩展理论,将精度纳入模型发展的核心考量,弥补了传统AI模型发展理论忽视精度的不足。研究发现低精度训练会降低模型的有效参数计数,影响性能,并预测了低精度训练和后训练量化带来的损失。作者通过大量实验验证了理论的可靠性和有效性,为计算资源有限情况下如何平衡模型规模和精度提供了新思路。然而,该研究也引发了关于精度与性能权衡复杂性的争议。
75 27
|
25天前
|
机器学习/深度学习 人工智能 测试技术
登上Nature的AI芯片设计屡遭质疑,谷歌发文反击,Jeff Dean:质疑者连预训练都没做
2020年,谷歌的AlphaChip在Nature上发表并开源,其深度强化学习方法能生成超越人类水平的芯片布局,引发AI在芯片设计领域的研究热潮。然而,ISPD 2023的一篇论文对其性能提出质疑,指出未按Nature论文方法运行、计算资源不足等问题。谷歌DeepMind团队回应,强调AlphaChip已在多代TPU和Alphabet芯片中成功应用,并批驳ISPD论文的主要错误。此外,针对Igor Markov的“元分析”和无根据猜测,谷歌提供了详细的时间线和非机密部署情况,澄清事实并重申AlphaChip的开放性和透明度。
34 13
|
1月前
|
机器学习/深度学习 人工智能
微软华人领衔AI²BMD登Nature,AI生物分子模拟双突破!继AlphaFold后又一里程碑
AI²BMD(AI-driven Biomolecular Dynamics)是由微软华人科学家团队领衔的研究,发表于《自然》杂志。该方法通过将蛋白质分解为21种常见单元,并利用机器学习模型预测其相互作用,实现高效精准的生物分子模拟。相比传统方法,AI²BMD在能量和力预测上精度更高,计算速度提升数个数量级,尤其适用于大规模蛋白质模拟,为药物设计等领域提供了有力工具。未来研究将扩展至更多生物分子类型并优化效率。论文地址:https://www.nature.com/articles/s41586-024-08127-z
61 8

热门文章

最新文章