\公众这种方法有可能大大减少所需的实验室实验数量，从而提高化学合成的效率和可持续性，\"大众相应论文的第一作者大卫-尼帕（David Nippa）说，该论文已揭橥在《自然-化学》（Nature Chemistry）杂志上。
Nippa 是 LMU 化学与药学系和罗氏公司 David Konrad 博士研究小组的博士生。

活性药物身分常日由一个框架组成，框架上附有功能基团。
这些基团具有特定的生物功能。
为了实现新的或更好的医疗效果，须要改变功能基团并将其添加到框架中的新位置。
然而，这一过程在化学领域尤其具有寻衅性，由于紧张由碳原子和氢原子组成的框架本身险些不具有活性。

活化框架的一种方法是所谓的硼化反应。
在这一过程中，含有硼元素的化学基团被连接到框架的碳原子上。
然后，这个硼基团可以被各种具有医疗效果的基团所取代。
虽然硼化反应潜力巨大，但在实验室中却很难掌握。

大卫-尼帕与苏黎世联邦理工学院的博士生肯尼思-阿茨（Kenneth Atz）共同开拓了一个人工智能模型，该模型是根据罗氏公司自动化实验室值得相信的科学著作和实验数据演习而成的。
它可以成功预测任何分子的硼酸化位置，并为化学转化供应最佳条件。
阿茨说：\"大众有趣的是，当考虑到起始材料的三维信息，而不仅仅是它们的二维化学式时，预测结果有所改进。
\"大众

该方法已成功用于确定现有活性身分中可引入额外活性基团的位置。
这有助于研究职员更快地开拓出已知药物活性身分的更有效的新变体。

编译自/scitechdaily