印第安纳州西拉斐特——机器学习已经广泛应用于药物设计和化学科学的其他过程。
很少有模型对新的反应结果进行了前瞻性测试，并用于增强人类理解，以解释由这些模型做出的化学反应决策。
普渡大学的创新者介绍了化学反应性流程图，以帮助化学家使用统计上可靠的机器学习模型，而几乎没有反应训练来解释反应结果。本作品发表于《有机快报》。
普渡大学自然科学学院分析和物理化学助理教授Gaurav Chopra说：“开发新的快速反应对于药物发现中的化学库设计非常重要。”“我们开发了一种新的、快速的、一锅法的N-磺酰基嘧啶(MCR)多组分反应，以此为代表案例生成机器学习模型的训练数据，预测反应结果，盲测新反应。
“我们希望这项工作能够通过开发一个人类可以理解的精确的机器学习模型来解释反应结果，从而为改变当前的范式铺平道路，从而提高人类化学家发现新化学反应的能力和效率，并加强有机化学和过程化学的管道。”
Chopra说，普渡大学团队的人类可解释机器学习方法(作为化学反应流程图引入)可以扩展到探索任何MCR或任何化学反应的反应性。它不需要大规模的机器人技术，因为化学家可以在实验室中使用这些方法进行反应筛选。
Chopra说：“我们提供了第一份将快速合成化学实验和量子化学计算相结合的框架报告，以了解反应机理和人类可以解释的统计上强大的机器学习模型，从而确定用于预测和实验测试N-磺酰亚胺异反应性的化学模型。
这项工作与乔普拉实验室的其他创新和研究是一致的，乔普拉实验室的团队成员与普渡研究基金会技术商业化办公室合作，并申请了许多技术的专利。有关其专利发明的更多信息，请联系otcip@prf.org。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！