机器学习模型有助于药物发现

“质谱普渡大学理学院分析和物理化学助理教授Gaurav Chopra说。bootstrapped的具体实现机器学习通过这里展示的少量正性和负性训练数据，将为化学家在日常活动中自动表征化合物铺平道路。”

乔普拉说，在用于化学研究的机器学习领域存在两个主要问题。所使用的方法不能提供对由算法做出的决定的化学理解，新方法通常也不用于进行盲实验测试，以确定所提出的模型在化学品中使用是否准确实验室．

Chopra说:“我们已经用一种具有异构体选择性的方法解决了这两项问题，这种方法在化学科学中对复杂混合物的表征、化学反应和药物代谢产物的识别以及蛋白质组学和代谢组学等领域都非常有用。”

普渡大学的研究人员创建了统计上稳健的机器学习模型，以在训练数据较少的情况下工作——这种技术将有助于药物发现。该模型研究了一种常见的中性试剂- 2-甲氧基丙烯(MOP)，并预测了化合物如何在串联质谱中与MOP相互作用，以获得化合物的结构信息。“这是机器学习首次与诊断性气相离子-分子反应结合在一起，这是一个非常强大的组合，引领了有机化合物完全自动化质谱识别的道路。”弗兰克·布朗分析化学和有机化学杰出教授Hilkka Kenttämaa说。“我们现在在这种方法中引入了许多新的试剂。”

普渡大学团队引入了化学反应性流程图，以促进机器学习方法做出的决定的化学解释，这将有助于理解和解释结构信息的质谱。

这项工作发表在化学科学．