Comment les scientifiques accélèrent les découvertes en chimie grâce à l'automatisation
Un nouveau processus de modélisation statistique peut contribuer à faire progresser la découverte de médicaments et la chimie de synthèse
Un nouveau flux de travail automatisé mis au point par des scientifiques du Lawrence Berkeley National Laboratory (Berkeley Lab) pourrait permettre aux chercheurs d'analyser les produits de leurs expériences de réaction en temps réel, une capacité clé nécessaire pour les futurs processus chimiques automatisés.
Des scientifiques du Berkeley Lab ont mis au point un nouveau flux de travail automatisé qui applique l'analyse statistique au traitement des données issues de la spectroscopie par résonance magnétique nucléaire (RMN). Cette avancée pourrait contribuer à accélérer la découverte de nouveaux médicaments et le développement de nouvelles réactions chimiques.
Jenny Nuss/Berkeley Lab
Le flux de travail développé - qui applique l'analyse statistique au traitement des données issues de la spectroscopie par résonance magnétique nucléaire (RMN) - pourrait contribuer à accélérer la découverte de nouveaux médicaments pharmaceutiques et le développement de nouvelles réactions chimiques.
Les scientifiques du Berkeley Lab qui ont mis au point cette technique révolutionnaire affirment que le flux de travail permet d'identifier rapidement la structure moléculaire des produits formés par des réactions chimiques qui n'ont jamais été étudiées auparavant. Ils ont récemment publié leurs conclusions dans le Journal of Chemical Information and Modeling.
Outre la découverte de médicaments et le développement de réactions chimiques, le flux de travail pourrait également aider les chercheurs qui développent de nouveaux catalyseurs. Les catalyseurs sont des substances qui facilitent une réaction chimique dans la production de nouveaux produits utiles tels que les carburants renouvelables ou les plastiques biodégradables.
"Le premier auteur, Maxwell C. Venetos, est un ancien chercheur de la division des sciences des matériaux du Berkeley Lab et un ancien étudiant de troisième cycle en sciences des matériaux à l'université de Berkeley. Il a terminé ses études doctorales l'année dernière. "Notre flux de travail vous permet vraiment de partir à la recherche de l'inconnu. Vous n'êtes plus contraint par des choses dont vous connaissez déjà la réponse".
Le nouveau flux de travail peut également identifier des isomères, c'est-à-dire des molécules ayant la même formule chimique mais des arrangements atomiques différents. Cela pourrait accélérer considérablement les processus de chimie synthétique dans la recherche pharmaceutique, par exemple. "Ce flux de travail est le premier du genre où les utilisateurs peuvent générer leur propre bibliothèque et l'adapter à la qualité de cette bibliothèque, sans dépendre d'une base de données externe", a déclaré M. Venetos.
Faire progresser les nouvelles applications
Dans l'industrie pharmaceutique, les développeurs de médicaments utilisent actuellement des algorithmes d'apprentissage automatique pour passer virtuellement au crible des centaines de composés chimiques afin d'identifier de nouveaux médicaments candidats potentiels plus susceptibles d'être efficaces contre des cancers spécifiques et d'autres maladies. Ces méthodes de criblage passent au peigne fin des bibliothèques ou des bases de données en ligne de composés connus (ou de produits de réaction) et les associent à des "cibles" médicamenteuses probables dans les parois cellulaires.
Mais si un chercheur expérimente des molécules si nouvelles que leurs structures chimiques n'existent pas encore dans une base de données, il doit généralement passer des jours en laboratoire pour trier la composition moléculaire du mélange : D'abord, en faisant passer les produits de la réaction par une machine de purification, puis en utilisant l'un des outils de caractérisation les plus utiles de l'arsenal d'un chimiste de synthèse, un spectromètre RMN, pour identifier et mesurer les molécules du mélange, une par une.
"Mais avec notre nouveau flux de travail, il est possible de faire tout ce travail en quelques heures", a déclaré M. Venetos. Le gain de temps provient de la capacité du flux de travail à analyser rapidement et avec précision les spectres RMN de mélanges réactionnels non purifiés contenant de multiples composés, une tâche impossible à réaliser avec les méthodes conventionnelles d'analyse spectrale RMN.
"Je suis très enthousiaste à propos de ce travail, car il applique de nouvelles méthodes basées sur les données au vieux problème de l'accélération de la synthèse et de la caractérisation", a déclaré l'auteur principal, Kristin Persson, chercheur principal à la Berkeley Lab's Materials Sciences Division et professeur de science et d'ingénierie des matériaux à l'UC Berkeley, qui dirige également le Materials Project.
Résultats expérimentaux
En plus d'être beaucoup plus rapide que les méthodes de purification en laboratoire, le nouveau flux de travail a le potentiel d'être tout aussi précis. Des expériences de simulation RMN réalisées avec le National Energy Research Scientific Computing Center (NERSC) du Berkeley Lab, avec le soutien du Materials Project, ont montré que le nouveau flux de travail peut identifier correctement les molécules composées dans les mélanges réactionnels qui produisent des isomères, et également prédire les concentrations relatives de ces composés.
Pour garantir une grande précision statistique, l'équipe de recherche a utilisé un algorithme sophistiqué connu sous le nom de chaîne de Markov Hamiltonian Monte Carlo (HMCMC) pour analyser les spectres RMN. Elle a également effectué des calculs théoriques avancés basés sur une méthode appelée théorie de la fonctionnelle de la densité.
M. Venetos a conçu le flux de travail automatisé comme une source ouverte afin que les utilisateurs puissent l'exécuter sur un ordinateur de bureau ordinaire. Cette commodité sera très utile à tout le monde, dans l'industrie comme dans le monde universitaire.
La technique est née de conversations entre le groupe Persson et les collaborateurs expérimentaux Masha Elkin et Connor Delaney, anciens chercheurs postdoctoraux du groupe John Hartwig à l'université de Berkeley. Elkin est aujourd'hui professeur de chimie au Massachusetts Institute of Technology et Delaney est professeur de chimie à l'université du Texas à Dallas.
"Dans le domaine du développement des réactions chimiques, nous consacrons constamment du temps à déterminer ce qu'une réaction a produit et dans quelle proportion", a déclaré John Hartwig, chercheur principal à la division des sciences chimiques du Berkeley Lab et professeur de chimie à l'université de Berkeley. "Certaines méthodes de spectrométrie RMN sont précises, mais s'il s'agit de déchiffrer le contenu d'un mélange réactionnel brut contenant un tas de produits potentiels inconnus, ces méthodes sont beaucoup trop lentes pour être intégrées dans un flux de travail expérimental ou automatisé à haut débit. C'est là que cette nouvelle capacité à prédire le spectre RMN pourrait s'avérer utile", a-t-il déclaré.
Maintenant qu'ils ont démontré le potentiel du flux de travail automatisé, Persson et son équipe espèrent l'intégrer dans un laboratoire automatisé qui analyse les données RMN de milliers, voire de millions de nouvelles réactions chimiques à la fois.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
