棘手的反应序列从流程设置和统计中得到了很大的提升

时间:2020-02-20 18:15 来源:seo 作者:杏鑫 点击量:

棘手的反应序列从流程设置和统计中得到了很大的提升

大阪大学的研究人员通过机器学习优化流系统中复杂的多米诺骨牌反应,从而有效地筛选多个变量,获得高选择性和潜在的生物活性化合物的产量

尽管技术进步,早期药物发现和开发仍然是一个耗时、困难和低效的过程,成功率低。来自大阪大学的一个研究小组发现了一种可能的方法,可以克服复杂反应序列中的低产量,从而为潜在的治疗剂的高产量提供了一种概念验证研究。

在最近发表在《化学通讯》(Chemical Communications)上的一项研究中,研究人员演示了利用机器学习技术快速筛选复杂反应系列的实验条件,从而生产出一种潜在的药物制剂。这种优化方法大大减少了传统方法所需的时间、材料和成本。

对于学术界和工业界的研究人员来说,化学反应发展的一个重要步骤是优化实验条件。这通常是通过改变一个参数并保持其他参数不变来实现的——这是一个繁重而昂贵的过程。快速确定最优参数的一种策略是机器学习,这是一种用于许多领域的统计工具,包括药物发现。

“在研究有机催化的Rauhut-Currier和[3 2]环状反应的步骤时,我们首先认识到,微混合流动系统可以抑制任何不想要的副反应,提高想要的具有生物活性的螺吲哚衍生物的产量,”该研究的资深作者Hiroaki Sasai说。“然后,高斯过程回归(GPR)允许我们快速筛选不同的参数,并探索系统的最佳流动条件,以最大限度地提高产品产量。”

这些spirooxindole基序在许多生物活性分子和天然产物中被发现,作为可能的抗病毒药物制剂引起了相当大的研究兴趣。与其他药物一样,制造螺吲哚导致混合物中含有相同分子(对映体)的不同化学性质的镜像变体(例如,药物活性vs.无活性)——棘手的部分是优先最大化显示药物活性的所需变体的产量。迄今为止,用螺氧吲哚来实现这一壮举的一种简化方法仍然基本上是遥不可及的。

尽管高效反应序列的复杂性、选择性和特异性,研究人员还是使用了微混合器流系统建立了该反应,尽管其收率为49%。利用GPR的优化参数,他们在一分钟内获得了三个相邻手性中心的螺心吲哚衍生物,其镜像变异型的收率高达89%,纯度高达98%。

“在没有进行彻底的反应优化的情况下,预测改变每个实验参数对新反应的影响是很有挑战性的,”主要作者Masaru Kondo解释说。“然而,将像GPR这样的工具与新的合成方法结合在流动系统中,可能会简化和简化其他复杂分子的药物开发过程,减少成本、时间和材料浪费。”

当前位置:主页 > 化学知识 >

声明:本文杏鑫娱乐整理不代表个人观点,转载请注明原文,点击还能查看更多的文章;本文网址: http://www.kozbods.com/huaxue/781.html

围观: 次 | 责任编辑:杏鑫

延伸阅读

SEO关键字



回到顶部