نیوزویز – یک گردش کار خودکار جدید که توسط دانشمندان آزمایشگاه ملی لارنس برکلی (آزمایشگاه برکلی) ایجاد شده است، این پتانسیل را دارد که به محققان اجازه دهد محصولات آزمایش‌های واکنش خود را در زمان واقعی تجزیه و تحلیل کنند، یک قابلیت کلیدی مورد نیاز برای فرآیندهای شیمیایی خودکار آینده.
گردش کار توسعه‌یافته – که تجزیه و تحلیل آماری را برای پردازش داده‌های طیف‌سنجی رزونانس مغناطیسی هسته‌ای (NMR) اعمال می‌کند – می‌تواند به تسریع کشف داروهای جدید دارویی و تسریع توسعه واکنش‌های شیمیایی جدید کمک کند.
دانشمندان آزمایشگاه برکلی که این تکنیک پیشگامانه را توسعه دادند، می گویند که گردش کار می تواند به سرعت ساختار مولکولی محصولات تشکیل شده توسط واکنش های شیمیایی را که قبلاً هرگز مطالعه نشده است، شناسایی کند. آنها اخیرا یافته های خود را در این گزارش گزارش کردند مجله اطلاعات و مدل سازی شیمیایی.
علاوه بر کشف دارو و توسعه واکنش های شیمیایی، این گردش کار همچنین می تواند به محققان در توسعه موارد جدید کمک کند کاتالیزورها. کاتالیزورها موادی هستند که یک واکنش شیمیایی را در تولید محصولات جدید مفید مانند سوخت های تجدید پذیر یا پلاستیک های زیست تخریب پذیر تسهیل می کنند.
ماکسول اس. ونتوس، نویسنده اول، محقق سابق بخش علوم مواد آزمایشگاه، گفت: «آنچه مردم را بیشتر در مورد این تکنیک هیجان زده می کند، پتانسیل آن برای تجزیه و تحلیل واکنش بلادرنگ است، که جدایی ناپذیر از شیمی خودکار است. در علم مواد در UC Berkeley. او سال گذشته دکتری خود را به پایان رساند. «روند کاری ما واقعاً به شما این امکان را می دهد که شروع به تعقیب ناشناخته ها کنید. شما دیگر محدود به چیزهایی نیستید که قبلاً پاسخ آنها را می دانید.”
جریان کار جدید همچنین می‌تواند ایزومرها را که مولکول‌هایی با فرمول شیمیایی یکسان اما آرایش اتمی متفاوت هستند، شناسایی کند. به عنوان مثال، این می تواند فرآیندهای شیمی مصنوعی را در تحقیقات دارویی سرعت بخشد. Venetos گفت: “این گردش کار اولین در نوع خود است که در آن کاربران می توانند کتابخانه خود را ایجاد کنند و آن را با کیفیت آن کتابخانه تنظیم کنند، بدون اتکا به پایگاه داده خارجی.”
پیشرفت اپلیکیشن های جدید
در صنعت داروسازی، توسعه‌دهندگان دارو در حال حاضر از الگوریتم‌های یادگیری ماشینی برای غربالگری صدها ترکیب شیمیایی برای شناسایی داروهای بالقوه جدید استفاده می‌کنند که احتمال بیشتری دارد در برابر انواع خاصی از سرطان و سایر بیماری‌ها مؤثر باشند. این روش‌های غربالگری از طریق کتابخانه‌های آنلاین یا پایگاه‌های داده ترکیبات شناخته شده (یا محصولات واکنش) بررسی می‌شوند و آنها را با “هدف‌های دارویی” احتمالی در دیواره سلولی مطابقت می‌دهند.
اما اگر یک محقق دارویی روی مولکول‌هایی به‌قدری جدید آزمایش می‌کند که ساختار شیمیایی آنها هنوز در یک پایگاه داده وجود ندارد، معمولاً مجبور است روزها را در آزمایشگاه بگذراند تا ترکیب مولکولی مخلوط را مرتب کند: اول، با اجرای محصولات واکنش یک دستگاه تصفیه و سپس با استفاده از یکی از مفیدترین ابزارهای مشخصه در زرادخانه شیمیدان های مصنوعی، طیف سنج NMR، برای شناسایی و اندازه گیری مولکول های مخلوط یک به یک.
ونتوس گفت: «اما با گردش کار جدید ما، می‌توانید تمام این کارها را ظرف چند ساعت انجام دهید. صرفه جویی در زمان از توانایی گردش کار برای تجزیه و تحلیل سریع و دقیق طیف NMR مخلوط های واکنش خام که حاوی ترکیبات متعدد هستند، حاصل می شود، کاری که از طریق روش های معمول آنالیز طیفی NMR غیرممکن است.
کریستین پرسون، نویسنده ارشد، دانشمند ارشد در بخش علوم مواد آزمایشگاه برکلی و استاد دانشگاه کالیفرنیا در برکلی، گفت: «من در مورد این کار بسیار هیجان‌زده هستم، زیرا روش‌های مبتنی بر داده‌های جدید را برای مشکل قدیمی تسریع سنتز و خصوصیات به کار می‌برد. علم و مهندسی مواد که کارگردانی هم می کند پروژه مواد.
نتایج تجربی
گردش کار جدید علاوه بر اینکه بسیار سریعتر از روش های تصفیه روی میز است، این پتانسیل را دارد که به همان اندازه دقیق باشد. آزمایش های شبیه سازی NMR با استفاده از مرکز ملی محاسبات علمی تحقیقات انرژی (NERSC) در آزمایشگاه برکلی با پشتیبانی پروژه مواد نشان داد که جریان کار جدید می‌تواند به درستی مولکول‌های ترکیب را در مخلوط‌های واکنشی که ایزومر تولید می‌کنند شناسایی کند و همچنین غلظت نسبی آن ترکیبات را پیش‌بینی کند.
برای اطمینان از دقت آماری بالا، تیم تحقیقاتی از الگوریتم پیچیده ای به نام زنجیره مونت کارلو مارکوف همیلتونی (HMCMC) برای تجزیه و تحلیل طیف های NMR استفاده کردند. آنها همچنین محاسبات نظری پیشرفته ای را بر اساس روشی به نام نظریه تابعی چگالی انجام دادند.
Venetos گردش کار خودکار را به عنوان منبع باز طراحی کرد تا کاربران بتوانند آن را روی یک رایانه رومیزی معمولی اجرا کنند. این راحتی برای هر کسی از صنعت یا دانشگاه مفید خواهد بود.
این تکنیک از مکالمات بین گروه پرسون و همکاران تجربی ماشا الکین و کانر دیلینی، همکاران سابق فوق دکترا در گروه جان هارتویگ در دانشگاه کالیفرنیا برکلی پدیدار شد. الکین اکنون استاد شیمی در MIT است و دیلینی استاد شیمی در دانشگاه تگزاس در دالاس است.
جان هارتویگ، دانشمند ارشد در بخش علوم شیمی آزمایشگاه برکلی و استاد شیمی در دانشگاه کالیفرنیا برکلی، می‌گوید: «در طراحی واکنش‌های شیمیایی، ما دائماً زمان صرف می‌کنیم تا بفهمیم واکنش چیست و در چه نسبتی است». برخی از روش‌های طیف‌سنجی NMR دقیق هستند، اما اگر کسی محتوای یک مخلوط واکنش خام حاوی دسته‌ای از محصولات بالقوه ناشناخته را رمزگشایی می‌کند، این روش‌ها آنقدر کند هستند که نمی‌توانند به عنوان بخشی از یک جریان کاری آزمایشی یا خودکار با کارایی بالا گنجانده شوند. و اینجاست که این توانایی جدید برای پیش‌بینی طیف NMR می‌تواند کمک کند.»
اکنون که آنها پتانسیل گردش کار خودکار را نشان داده‌اند، پرسون و تیم امیدوارند که آن را در یک آزمایشگاه خودکار که داده‌های NMR هزاران یا حتی میلیون‌ها واکنش شیمیایی جدید را در آن واحد تجزیه و تحلیل می‌کند، ترکیب کنند.
از دیگر نویسندگان مقاله می توان به ماشا الکین، کانر دیلینی و جان هارتویگ از دانشگاه برکلی اشاره کرد.
NERSC یک مرکز کاربر دفتر علوم DOE در آزمایشگاه برکلی است.
این کار توسط دفتر علوم وزارت انرژی ایالات متحده، بنیاد ملی علوم ایالات متحده و مؤسسه ملی بهداشت پشتیبانی شد.
###
آزمایشگاه ملی لارنس برکلی (آزمایشگاه برکلی) متعهد به ارائه راه حل هایی برای بشریت از طریق تحقیقات انرژی پاک، سیاره ای سالم و علم اکتشاف است. آزمایشگاه برکلی و دانشمندانش در سال 1931 با این باور که بزرگترین مشکلات به بهترین وجه توسط تیم ها حل می شود، تأسیس شد و برنده 16 جایزه نوبل شده است. محققان از سراسر جهان برای تحقیقات پیشگامانه خود به امکانات علمی در سطح جهانی آزمایشگاه متکی هستند. آزمایشگاه برکلی یک آزمایشگاه ملی چند برنامه ای است که توسط دانشگاه کالیفرنیا برای دفتر علوم وزارت انرژی ایالات متحده اداره می شود.
دفتر علوم DOE بزرگترین حامی تحقیقات پایه در علوم فیزیکی در ایالات متحده است و برای رسیدگی به برخی از مهم ترین چالش های زمان ما کار می کند. برای اطلاعات بیشتر لطفا مراجعه کنید به Energy.gov/science.