تصنيف آليات التفاعلات العضوية باستخدام تقنيات تعلُّم الآلة

فهمُ آليات التفاعلات العضوية التحفيزية ضروريٌّ لتصميم عوامل حفازة جديدة، وأشكال جديدة من التفاعلية، وابتكار عمليات كيميائية أكثر استدامة وحفاظًا على البيئة. ويُعد تحليل الحركيات من الأسس التي يعتمد عليها تفسير الآليات، وذلك لأنه يُسهِّل الاختبار المباشر للفرضيات الخاصة بالآليات بناءً على البيانات التجريبية. وكان تحليل الحركيات في العادة يعتمد على استخدام معدلات أولية، ومخططات لوغاريتمية، وصار يعتمد مؤخرًا كذلك على أساليب حركية بصرية، إلى جانب اشتقاقات رياضية لقوانين المعدلات. لكن اشتقاق قوانين المعدلات وتفسيرها يتطلبان العديد من التقريبات الرياضية، ولذا فإنهُما عرضة للخطأ البشري، ويقتصران على شبكات التفاعل التي لا تتضمن سوى خطوات قليلة تُنفَّذ في حالة مستقرة.

وفي هذا البحث المنشور، يوضح الباحثون إمكانية تدريب نموذج لشبكة عصبية عميقة على تحليل بيانات حركية عادية، وبيان فئة الآليات المقابلة لها تلقائيًّا، دون أن يتوجب على المستخدم إدراج أي مدخل إضافي. ويتبين أنَّ النموذج يتعرَّف مجموعة متنوعة واسعة من فئات الآليات بدقة ممتازة، بما في ذلك آليات سارية خارج الحالة المستقرة مثل تلك التي تتضمن خطوات تنشيط العوامل الحفازة وتثبيطها، ويحقق أداءً ممتازًا حتى عندما يشوب البيانات الحركية خطأٌ جوهري، أو لا تتضمن سوى عدد قليل من النقاط الزمنية. 

توضح نتائج الباحثين أنَّ التصنيف الموجَّه للآليات باستخدام تقنيات الذكاء الاصطناعي يُعد وسيلةً جديدة قوية يمكنها تبسيط عملية توضيح الآليات، وتحويلها إلى عملية مؤتمتة. ويتيح الباحثون هذا النموذج مجانًا لعموم المستخدمين، ويتوقعون أن يؤدي إلى مزيد من التقدم في تطوير عمليةٍ مؤتمتة بالكامل لاكتشاف التفاعلات العضوية وابتكارها.