Direkt zum Inhalt
Künstliche Intelligenz (KI)
KI in der Chemie

Wie gut lassen sich Reaktionsergebnisse hervorsagen?

Welche Parameter beeinflussen eine chemische Reaktion? Wie kann man ein Molekül effektiv herstellen? Dies abzuschätzen bringt selbst erfahrene Chemiker*innen an ihre Grenzen. Helfen könnte ihnen künftig eine Methode, die auf maschinellem Lernen basiert. Wissenschaftler*innen der Universität Münster haben sie entwickelt.

„Eine chemische Reaktion ist ein hochkomplexes System“, weiß Frederik Sandfort, Doktorand am Organisch-Chemischen Institut der Uni Münster. „Im Gegensatz zur Vorhersage von Eigenschaften einzelner Verbindungen ist eine Reaktion das Zusammenspiel vieler Moleküle und somit ein multidimensionales Problem.“ Denn die Abläufe im Labor folgen keinen „Spielregeln“. Forscher müssen sich also auf ihre Erfahrung verlassen, wenn sie Ergebnisse vorhersagen wollen. 

Nun aber kommt künstliche Intelligenz ins Labor: Die Münsteraner Wissenschaftler*innen fokussierten sich direkt auf die molekularen Strukturen. „Jede organische Verbindung kann wie ein Graph, quasi als Bild, dargestellt werden“, erläutert Informatiker Marius Kühnemund, ein weiterer Hauptautor. „Auf solchen Graphen können einfache Strukturabfragen vorgenommen werden, vergleichbar mit der Frage nach der Farbe oder Formen von Fotos. So können wir die sogenannte chemische Umgebung möglichst genau erfassen.“

Molekularer Fingerabdruck

Aus einer Vielzahl aufeinanderfolgender Abfragen entsteht eine Art molekularer Fingerabdruck, mit dem die Chemoinformatik strukturelle Ähnlichkeiten finden kann. Die Forscher*innen nutzten eine Vielzahl solcher Fingerabdrücke, um die chemische Struktur jedes Moleküls für eine computergestützte Anwendung möglichst genau darzustellen. „Auf diese Weise konnten wir ein robustes System entwickeln, das für die Vorhersage von ganz verschiedenen Reaktionsergebnissen genutzt werden kann“, ergänzt Kühnemund. „Dasselbe Modell kann sowohl für die Vorhersage von Ausbeuten als auch von Stereoselektivitäten genutzt werden, was bisher weltweit einmalig ist.“

Vor allem in Verbindung mit moderner Robotik lässt sich das Programm leicht anwenden. Die Forscher*innen zeigten genaue Vorhersagen an einem Datensatz, der ursprünglich nicht für maschinelles Lernen erzeugt wurde. „Dieser Datensatz enthält nur relative Umsätze der Startmaterialien und keine genauen Ausbeuten“, betont Sandfort. „Für genaue Ausbeuten müssen Kalibrationen erstellt werden. Aufgrund des hohen Aufwands wird dies in der Realität aber selten gemacht.“

Autorin: Bettina Reckter

 

Artikel teilen