您现在的位置是:首页 >新闻频道 > 新闻 > 2020-04-10 09:44:34

机器学习揭示了生物相容性电子的新候选材料

科学家和工程师正在寻求开发与我们的身体兼容的电子设备:考虑可以在脑部受伤后将神经元重新连接在一起的材料,或者可以轻易在体内吸收的诊断工具。

一类称为π-共轭寡肽的自组装肽已显示出有望成为下一代这些电子,生物相容性材料的基础。但是,确定正确的分子序列以创建最佳的自组装纳米结构将需要测试数千种可能性,每种可能性在实验室中进行测试大约需要一个月的时间。

副会长 安德鲁·弗格森(Andrew Ferguson)教授及其合作者通过开发可筛选最佳候选人的机器学习工具,加快了这一过程。通过筛选8,000种自组装肽的候选物,该团队能够对每种设计进行排名。这为实验者测试最有前途的候选人铺平了道路。

结果发表在《物理化学杂志》 B上。该论文还被选为ACS编辑选择奖,该期刊为公众免费提供对全球科学界至关重要的新研究的信息,并刊登在期刊封面上。

弗格森说:“通过了解数据科学,材料科学和分子科学,我们得以找到一种创新的方法来筛选可能的新候选人。” “这篇论文被选为ACS编辑选择的事实表明,将人工智能与领域科学相结合引起了人们极大的兴趣。这是物理化学界广泛关注的重要问题。”

为实验人员排名肽

为了帮助找到最佳人选,弗格森和研究生基里尔·史米洛维奇(Kirill Shmilovich)使用机器学习和分子模拟方法筛选了一个π共轭寡肽家族。如果研究人员保持相同的核心,只是改变分子两面的三个氨基酸,则该序列包括8,000个潜在的肽。(两侧的氨基酸是对称的,如果一侧改变,则另一侧也改变。)

通过使用一种称为主动学习或贝叶斯优化的机器学习形式来指导分子模拟,他们仅考虑了186种肽就能够构建可靠的数据驱动模型,以说明肽序列如何影响其性质。

该模型预测然后可以推断可靠的预测肽家族的其余部分的性能。该过程还消除了方程式中的人为偏见,使人工智能能够找到研究人员之前从未考虑过的肽设计特征,从而使它们成为更好的候选物。

然后,他们对每种肽进行排名,并将结果交给实验合作者,然后他们将测试实验室中的最佳候选者。接下来,他们希望扩展其系统,以包括尝试使用不同的π共轭核,同时将新的实验数据反馈到循环中,以进一步增强其模型。

他们还希望使用这种机器学习系统来设计蛋白质,优化自组装胶体以制造原子晶体,甚至有一天将这些工具整合到自动驾驶实验室中,人工智能将在该实验室中收集数据,创建预测,进行实验,然后将数据反馈给模型-所有这些操作都无需人工干预。

弗格森说:“这种方法在许多不同领域都可能有用。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。