Une équipe de chercheurs d’IBM utilise l’intelligence artificielle (IA) pour synthétiser des molécules de façon moins polluante. Ces chercheurs ont recours à RoboRXN, une machine pilotable à partir du Cloud, conçue pour exécuter les étapes d’opérations de rétrosynthèse de composés chimiques établie par une IA, RXN for Chemistry. Les chercheurs ont utilisé des modèles pour prédire les voies de synthèses incluant des réactions biocatalysées – c’est-à-dire l’utilisation d’enzyme. Ces substances présentent d’énormes avantages dans la synthèse de molécules. Non seulement les réactions catalysées à partir d’enzymes permettent une récupération facile des produits mais surtout elles peuvent s’effectuer dans l’eau à température ambiante, ce qui réduit fortement la production de déchet et l’utilisation de composants toxiques. De plus, les enzymes, entièrement constituées d’acides aminés, sont-elles même biodégradables et sont donc faciles à éliminer à la fin de l’opération.
Leur utilisation pour une chimie plus verte n’est pas nouvelle et fait l’objet d’un intérêt fort dans le recyclage. Les vingt dernières années, l’utilisation d’enzymes comme des xylanases s’est généralisée dans le blanchissement de la pâte krafts et a permis de limiter celle du chlore ou de l’eau de javel dans la production de papier. Toutefois, chaque enzyme existante est conçue pour une réaction chimique spécifique et leur grand nombre – on estime qu’il en existe environ 75 000 rien que dans le corps humain – rends difficile leurs applications dans de nombreux domaines industriels.
Pour résoudre ce problème, le nouveau modèle élaboré par l’équipe de chercheurs est entraîné sur une base de données sur la biocatalyse enzymatique, qui permet de sélectionner la bonne enzyme et le bon substrat pour la bonne réaction. Grace à un apprentissage par transfert, qui a permis d’utiliser un modèle préalablement entraîné sur une base plus large de réactions chimiques avant de la faire plancher spécifiquement sur des données de biocatalyses, les chercheurs ont obtenu une précision jusqu’à près de 50 % en synthèse et 40 % en rétrosynthèse.
« Le manque de données disponibles pour former notre modèle affecte encore considérablement sa précision », explique Daniel Prost, premier auteur de l’étude dans un billet de blog. « Cependant, un utilisateur ayant accès à des sous-classes spécifiques de réactions enzymatiques sur lesquels il souhaiterait travailler pourrait les utiliser pour affiner notre modèle et augmenter son pouvoir prédictif ».
Article rédigé par Georges Simmonds pour RT Flash
