手工自动化（AI）是近几余年的火爆一话题。在生物制药领域，对AI能不能效果方案仿制药的争辩也从未有过停下。近来，投稿在著名学术性论文期刊《科学调查》上的几项调查，则令我门看得见了多方面的第一面：出自普林斯顿大学生（Princeton University）和默沙东调查检测室（Merck Research Laboratories）的生物学上的家们开放半个款手工自动化，能够 脱贫攻坚地估计生物学上的不起作用的成品率，这还有机会在仿制药开放上取到大量的采用。

从本质上看，新药的合成与制造是化学反应。化学家们为了得到想要的分子，必须以合适的比例加入正确的原料，并提供恰当的反应条件。这听起来虽然很简单，但让机器来预测和设计高产率的化学反应却并不容易。一个典型的化学反应需要有大量不同的化学分子参与。而每一个额外分子的加入，都会为计算添加一个维度。即便对于近年表现出彩的人工智能，化学家们也不是很确定它是否能胜任这项工作。
为了让机器学会设计高产率的化学反应，我们需要帮助它建立一个多维度的模型。但从历史上看，这一直是个瓶颈。其背后的原因在于这个模型过于复杂，而我们能用来训练这个模型的数据却远远不够。幸好，随着默沙东在机器人系统上的大量投入，现在我们能在短短几天内，完成数千个化学反应。这产生了大量可以用来训练AI的数据。
“我非常高兴地看到，我们产生的数据质量很高，能用于建立有效的模型。”默沙东研究实验室的Spencer Dreher博士说道。
在获得了这些数据，并利用程序对每一个输入进模型的化学品进行定量标注后，研究人员们考量了多种统计学模型的准确率。有趣的是，行业中常用的线性回归模型在这一任务的执行上表现并不好，而表现最好的是一类叫做“随机森林”（random forest）的模型。此类模型能从训练数据库中随机提取出小量的样本，构建决定树（decision tree），而每一棵决定树都能对特定的化学反应产率进行预测。这些预测会被综合评估，产生一个总体的预测产率。结果表明，这款模型能很好地对训练数据之外的化学反应进行产率的预测。
“只要几百个反应数据，我们就能准确地用模型预测产率。化学家们甚至都不需要机器人的帮助，自己就能完成这些反应。”这项研究的第一作者Derek Ahneman博士说道。
“我们开发的这款软件能适用于任何反应或任何底物类型，”该研究的通讯作者之一，普林斯顿大学的Abigail Doyle教授说道：“我们希望人们能将这一工具应用于其他反应之中。”

参考使用材质：

[1] Chemists harness artificial intelligence to predict the future of chemical reactions
[2] Predicting reaction performance in C–N cross-coupling using machine learning