GeekAlerts

جایی برای گیک‌ها

·

,

دانشگاه MIT یک اپلیکیشن پیش‌بینی خواص ملکول‌ها برای شیمی‌دانان منتشر کرد

دانشگاه MIT یک اپلیکیشن پیش‌بینی خواص ملکول‌ها برای شیمی‌دانان منتشر کرد

از هدف‌های اصلی و مشترک بیشتر محقق‌های شیمی اینه که بتونن خواص یک مولکول، مثل نقطه جوش یا ذوبش رو پیش‌بینی کنن. وقتی یه محقق بتونه این پیش‌بینی رو دقیق انجام بده، میتونه کارش رو جلو ببره و به کشفیاتی برسه که به ساخت دارو، مواد جدید و چیزای دیگه ختم میشه. اما روش‌های سنتی برای این پیش‌بینی‌ها همیشه با هزینه قابل توجهی همراه بوده؛ هم از نظر مالی و هم از نظر زمانی و فرسودگی تجهیزات.

اینجا بود که شاخه‌ای از هوش مصنوعی به اسم یادگیری ماشین (Machine Learning) وارد میدون شد. یادگیری ماشین تا حدی تونسته بار سنگین پیش‌بینی خواص مولکول‌ها رو کمتر کنه، اما یه مشکلی وجود داره. ابزارهای پیشرفته‌ای که این فرایند رو به شکل موثری سرعت میدن (یعنی از داده‌های موجود یاد میگیرن تا برای مولکول‌های جدید پیش‌بینی‌های سریع انجام بدن) نیاز به سطح بالایی از تخصص برنامه‌نویسی دارن. این موضوع برای خیلی از شیمی‌دان‌ها که شاید مهارت محاسباتی زیادی برای کار با این ابزارها نداشته باشن، یه مانع بزرگ ایجاد میکنه.

برای حل این چالش، محققان گروه تحقیقاتی مک‌گوایر (McGuire Research Group) در دانشگاه ام‌آی‌تی (MIT) یک اپلیکیشن دسکتاپ کاربرپسند به اسم ChemXploreML ساختن. این اپلیکیشن به شیمی‌دان‌ها کمک میکنه تا این پیش‌بینی‌های مهم رو بدون نیاز به مهارت‌های پیشرفته برنامه‌نویسی انجام بدن. این برنامه به صورت رایگان در دسترسه، دانلودش راحته و روی پلتفرم‌های اصلی کار میکنه. نکته مهم دیگه‌ اینه که طوری طراحی شده تا کاملن آفلاین کار کنه که این به حفظ محرمانه بودن داده‌های تحقیقاتی کمک میکنه. جزئیات این تکنولوژی جدید و هیجان‌انگیز در مقاله‌ای که به تازگی در Journal of Chemical Information and Modeling منتشر شده، توضیح داده شده.

یکی از موانع خاص در یادگیری ماشین شیمیایی، ترجمه ساختارهای مولکولی به یک زبان عددی هست که کامپیوترها بتونن درکش کنن. ChemXploreML این فرایند پیچیده رو با «جاسازی‌کننده‌های مولکولی» (molecular embedders) قدرتمندی که داخلش تعبیه شده، به صورت خودکار انجام میده. این ابزارها ساختارهای شیمیایی رو به بردارهای عددی آموزنده تبدیل میکنن. بعد از اون، نرم‌افزار با استفاده از الگوریتم‌های پیشرفته، الگوها رو شناسایی میکنه و خواص مولکولی مثل نقطه جوش و ذوب رو با دقت پیش‌بینی میکنه. همه این کارها از طریق یک رابط گرافیکی تعاملی و ساده انجام میشه.

هدف ChemXploreML اینه که استفاده از یادگیری ماشین در علوم شیمی رو برای همه ممکن یا به عبارتی دموکراتیک کنه. با ساختن یک اپلیکیشن دسکتاپ که هم ساده‌ است، هم قدرتمند و هم قابلیت کار آفلاین داره، ما داریم مدل‌سازی پیش‌بینی‌کننده پیشرفته رو مستقیمن در اختیار شیمی‌دان‌ها قرار میدیم، بدون اینکه به سابقه برنامه‌نویسیشون توجهی داشته باشیم. این کار نه تنها جستجو برای داروها و مواد جدید رو با سریع‌تر و ارزان‌تر کردن فرایند غربالگری سرعت میده، بلکه طراحی انعطاف‌پذیرش درها رو برای نوآوری‌های آینده هم باز میکنه.

آراویند نیواس ماریموتو، پژوهشگر فوق دکترا در گروه مک‌گوایر و نویسنده اصلی مقاله

ChemXploreML طوری طراحی شده که در طول زمان تکامل پیدا کنه. یعنی وقتی تکنیک‌ها و الگوریتم‌های جدیدی در آینده توسعه پیدا کنن، میشه اونها رو به راحتی با اپلیکیشن یکپارچه کرد. این ویژگی تضمین میکنه که محققان همیشه به به‌روزترین روش‌ها دسترسی داشته باشن و بتونن ازشون استفاده کنن. این اپلیکیشن روی پنج ویژگی کلیدی ترکیبات آلی آزمایش شده: نقطه ذوب، نقطه جوش، فشار بخار، دمای بحرانی و فشار بحرانی. در این آزمایش‌ها، به امتیازهای دقت بالایی دست پیدا کرده که برای دمای بحرانی تا ۹۳ درصد هم رسیده. محققان همچنین نشون دادن که یک روش جدید و فشرده‌تر برای نمایش مولکول‌ها به اسم VICGAE، تقریباً به اندازه روش‌های استاندارد مثل Mol2Vec دقیق بوده، اما تا ۱۰ برابر سریع‌تر عمل کرده.

ما آینده‌ای رو تصور می‌کنیم که در اون هر محققی میتونه به راحتی یادگیری ماشین رو برای حل چالش‌های منحصربه‌فرد خودش سفارشی و اعمال کنه؛ از توسعه مواد پایدار گرفته تا کاوش در شیمی پیچیده فضای بین ستاره‌ای.

ماریموتو

در کنار او در این مقاله، برت مک‌گوایر، نویسنده ارشد و استادیار توسعه شغلی کلاس ۱۹۴۳ در رشته شیمی، هم حضور داره.

نگاهی به ویژگی‌های ChemXploreML

  • پیش‌بینی خواص مولکولی: یک اپلیکیشن دسکتاپ یادگیری ماشین همه‌منظوره برای پیش‌بینی کردن ویژگی‌های مولکول‌ها.
  • آماده‌سازی داده‌ها: به راحتی میتونین داده‌هاتون رو پاکسازی و پیش‌پردازش کنین.
  • تحلیل و رسم نمودار: برای داده‌های مولکولیتون نمودار بسازین و اونها رو تحلیل کنین.
  • آموزش مدل‌ها: مدل‌های یادگیری ماشین خودتون رو آموزش بدین و بهینه‌سازیشون کنین.
  • ارزیابی و پیش‌بینی: مدل‌هاتون رو ارزیابی کنین و باهاشون پیش‌بینی انجام بدین.

منابع

دیدگاه‌ها

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *