北卡罗来纳大学/卡内基梅隆大学JACS：机器学习指导下的19F磁共振成像试剂的自动合成

现代高分子科学饱受多维性的困扰。将单体组合成一个统计共聚物所带来的巨大化学空间使得聚合物合成和表征技术难以实现，也限制了系统研究结构-性能关系的能力。

在此，美国北卡罗来纳大学教堂山分校Frank A. Leibfarth以及卡内基梅隆大学Olexandr Isayev等人展示了一种机器学习（ML）引导的材料发现方法，该方法结合了自动化流程合成和ML方法开发中的协同创新，用于高对比度¹⁹F磁共振成像 (MRI) 试剂的发现。具体而言，自动化ML（Auto ML）循环由四个步骤组成：

(i) 训练代理AutoML模型以针对初始数据集上的给定目标集进行优化；

(ii) 使用AutoML构建的模型对共聚物组成空间进行虚拟筛选；

(iii) 选择可提高模型准确性的共聚物组成子集；

(iv) 对选定的聚合物进行合成和实验测量，并使用这些数据更新ML模型。

图1. 计算和实验迭代有效筛选高性能¹⁹ F MRI试剂

最终，作者在六变量组成空间内合成 397 种独特的共聚物组合物，ML确定的非直观设计标准是通过探索<0.9% 的整体组成空间来实现的，从而确定了超过10种性能优于最先进材料的共聚物组合物。

此外，本文揭示的趋势最终证明¹⁹F浓度与¹⁹F MRI测量中的信号强度没有直接关系。材料发现通常依赖于人类直觉，而直觉受到固有偏见和知识局限性的影响。正如这项研究表明的那样，软件支持的高通量聚合物合成和ML的持续集成代表了一种加速材料发现的强大方法，特别是在聚合物科学领域。

图2. 作为¹⁹ F MRI试剂的多组分共聚物的合成

Machine-Learning-Guided Discovery of 19F MRI Agents Enabled by Automated Copolymer Synthesis, Journal of the American Chemical Society 2021. DOI: 10.1021/jacs.1c08181

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/12/a0d3a8a264/

北卡罗来纳大学/卡内基梅隆大学JACS：机器学习指导下的19F磁共振成像试剂的自动合成

相关推荐