La numérisation de la synthèse organique

[ad_1]

  • 1.

    Wöhler, F. Ueber künstliche bildung des harnstoffs. Ann. Phys. 88, 253-256 (1828).

  • 2

    Whitesides, G. M. Synthèse organique complexe: structure, propriétés et / ou fonction? Isr. J. Chem. 58142 (2018).

  • 3

    Corey, E. J. & Wipke, W. T. Conception assistée par ordinateur de synthèses organiques complexes. Science 166178-192 (1969).

  • 4

    Corey, E. J., Wipke, W. T., Cramer, R. D. III et Howe, W. J. Analyse synthétique assistée par ordinateur. Communication homme-machine facile de la structure chimique par infographie interactive Confiture. Chem. Soc. 94421-430 (1972).

  • 5

    Szymkuć, S. et al. Planification synthétique assistée par ordinateur: la fin du début. Angew. Chem. Int. Ed. 555904 à 5937 (2016).

  • 6

    Coley, C. W., Green, W. H. & Jensen, K. F. Apprentissage automatique dans la planification de la synthèse assistée par ordinateur. Acc. Chem. Res. 51, 1281-1289 (2018).

  • 7.

    Klucznik, T. et al. Synthèses efficaces de divers objectifs pertinents sur le plan médical, planifiés par ordinateur et exécutés en laboratoire. Chem 4522-532 (2018).

  • 8

    Silver, D. et al. Maîtriser le jeu de Go sans connaissance humaine. La nature 550354–359 (2017).

  • 9

    Schwaller, P., T. Gaudin, D. Lanyi, C. Bekas et T. T. «Found in translation»: prédire les résultats de réactions complexes de chimie organique à l'aide de modèles séquence-à-séquence neurale. Chem. Sci. 96091–6098 (2018).

  • dix.

    Segler, M.H.S. & Waller, M.P. Modélisation du raisonnement chimique pour prévoir et inventer des réactions. Chem. EUR. J. 236118 à 6128 (2017).

  • 11

    Segler, M.H.S., Preuss, M. & Waller, M.P. Planifier des synthèses chimiques avec des réseaux de neurones profonds et une IA symbolique. La nature 555604–610 (2018).

  • 12

    Kasparov, G. Chess, un Drosophile de raisonnement. Science 3621087 (2018).

  • 13

    Cernak, T. Une machine à l'intuition chimique. Chem 4401–403 (2018).

  • 14

    Steiner, S. et al. Synthèse organique dans un système robotique modulaire piloté par un langage de programmation chimique. Science 363eaav2211 (2019).

  • 15

    Garg, N. K. Donner aux étudiants le pouvoir d'innover: engagement dans l'enseignement de la chimie organique. Angew. Chem. Int. Ed. 5715612-15613 (2018).

  • 16

    Engkvist, O. et al. Prévision informatique des réactions chimiques: état actuel et perspectives. Drug Discov. Aujourd'hui 231203-1218 (2018).

  • 17

    Gaich, T. & Baran, P. S. Viser la synthèse idéale. J. Org. Chem. 754657–4673 (2010).

  • 18

    Trost, B. M. L'économie de l'atome – une recherche d'efficacité synthétique. Science 2541471-1477 (1991).

  • 19

    Burns, N. Z., Baran, P. S. & Hoffmann, R. W. Redox économie en synthèse organique. Angew. Chem. Int. Ed. 482854-22867 (2009).

  • 20

    Cernijenko, A., Risgaard, R. et Baran, P. S. Synthèse totale en 11 étapes du (-) – maoecrystal V. Confiture. Chem. Soc. 1389425–9428 (2016).

  • 21

    Griffen, E.J., Dossetter, A.G., Leach, A.G. et Montague, S. Peut-on accélérer la chimie des médicaments en augmentant les capacités du chimiste en données massives et en intelligence artificielle? Drug Discov. Aujourd'hui 231373–1384 (2018).

  • 22

    Kutchukian, P. S. et al. Bibliothèques d'informateurs en chimie: une approche chimio-informatique permettant d'évaluer et de faire progresser les méthodes de synthèse. Chem. Sci. 72604 à 2613 (2016).

  • 23

    Yao, H. et al. Permet une fonctionnalisation efficace au stade final des molécules de type médicament avec la LC-MS et le traitement de données par réaction. EUR. J. Org. Chem. 20177122 à 7126 (2017).

  • 24

    Yasuda, N. (ed.) L'art de la chimie des procédés (Wiley-VCH, 2010).

  • 25

    Li, J., Albrecht, J., Borovika, A. et Eastgate, M. D. Conversion de métriques de la chimie verte en outils prédictifs de prise de décision et d'analyse comparative. ACS Sustainable Chem. Eng. 6, 1121-1132 (2018).

  • 26

    Trobe, M. & Burke, M. D. La révolution industrielle moléculaire: synthèse automatisée de petites molécules. Angew. Chem. Int. Ed. 574192–4214 (2018).

  • 27

    Buitrago Santanilla, A. et al. Chimie à haut débit à l'échelle nanomole pour la synthèse de molécules complexes. Science 34749-53 (2015).

  • 28

    Gesmundo, N. et al. Synthèse à l'échelle nanométrique et classement par affinité. La nature 557, 228-232 (2018).

  • 29

    Sanchez-Lengeling, B. et Aspuru-Guzik, A. Conception moléculaire inverse par apprentissage automatique: modèles génératifs pour l'ingénierie de la matière. Science 361, 360–365 (2018).

  • 30

    Schneider, G. Automatisation de la découverte de médicaments. Nat. Rev. Drug Discov. 1797-113 (2018).

  • 31.

    Lin, S. et al. Cartographie de l’espace sombre des réactions chimiques avec synthèse de nanomoles étendues et SM MALDI-TOF. Science 361eaar6236 (2018).

  • 32

    Ahneman, D. T., Estrada, J. G., S. Lin, S. Dreher et S. D. Doyle, A. G. Prédire les performances de réaction dans le couplage croisé C – N en utilisant l'apprentissage automatique. Science 360186–190 (2018). Cet article illustre l'apprentissage automatique de la prévision de la performance d'une réaction catalytique à l'aide de données obtenues via une expérimentation à haut débit..

  • 33

    Zhao, S. et al. La formation de liaisons C – C catalysées par un Pd énantiodivergent a été rendue possible par le paramétrage du ligand. Science 362670–674 (2018).

  • 34

    Chuang, K.V. & Keiser, M.J. Commentaire sur «Prédiction de la performance de la réaction dans le couplage croisé C – N à l'aide d'un apprentissage automatique». Science 362eaat8603 (2018). Cet article illustre la nécessité d'intégrer des procédures de contrôle aléatoire lors de l'application de l'apprentissage automatique à de nouveaux domaines scientifiques et de l'importance de la conception expérimentale..

  • 35

    Nielsen, M. K., Ahneman, D. T., Riera, O. & Doyle, A. G. Désoxyfluoration avec des fluorures de sulfonyle: navigation dans l'espace de réaction avec apprentissage automatique. Confiture. Chem. Soc. 140, 5004 à 5008 (2018). Cet article démontre l’utilisation de l’apprentissage automatique sur un jeu de données relativement petit obtenu par des expériences de laboratoire traditionnelles..

  • 36

    Reizman, B.J. et Jensen, K.F. Feedback dans le flux pour le développement de réactions accélérées. Acc. Chem. Res. 491786-1796 (2016).

  • 37

    Perera, D. et al. Une plateforme pour le criblage automatisé de réactions à l'échelle nanomolaire et la synthèse en flux micromolaire. Science 359429–434 (2018). Cet article illustre le fait qu'un appareil d'écoulement peut accélérer l'optimisation de la réaction plus tôt dans le processus de découverte de médicaments et fournit également des données fiables qui permettent à d'autres laboratoires de créer des algorithmes d'apprentissage automatique..

  • 38

    Bédard, A.-C. et al. Système reconfigurable pour l'optimisation automatisée de diverses réactions chimiques. Science 361, 1220-1225 (2018).

  • 39

    Caramelli, D. et al. Mise en réseau de robots chimiques pour une réaction multitâche. Nat. Commun. 93406 (2018).

  • 40

    Granda, J.M., Donina, L., Dragone, V., Long, D.-L. & Cronin, L. Contrôler un robot de synthèse organique grâce à un apprentissage automatique visant à rechercher une nouvelle réactivité. La nature 559377–381 (2018). Cet article prédit la réactivité d'environ 1,000 combinaisons de réactions avec une précision supérieure à 80% après avoir pris en compte les résultats d'un peu plus de 10% de l'ensemble de données et, notamment, l'approche a également été utilisée pour calculer la réactivité des jeux de données publiés.

  • 41

    Harper, K. C. & Sigman, M. S. Prédire et optimiser les performances des catalyseurs asymétriques à l'aide des principes de la conception expérimentale et des paramètres stériques. Proc. Natl Acad. Sci. Etats-Unis 1082179-2183 (2011).

  • 42

    Zahrt, A. F. et al. Prédiction de catalyseurs à sélectivité supérieure par un flux de travail et un apprentissage automatisés. Science 363eaau5631 (2019).

  • 43

    Matsuda, T. (ed.) Orientations futures dans la biocatalyse 2e édition (Elsevier, 2017).

  • 44

    Kan, S. B. J., D. Russell, Lewis, R. D. Chen, K. et Arnold, F. H. Evolution dirigée du cytochrome c pour la formation de liaisons carbone – silicium: donner vie au silicium. Science 3541048-1051 (2016).

  • 45

    Arnold, F. H. Innovation par évolution: donner vie à une nouvelle chimie – Conférence Nobel. Nobel Media AB 2019 (2019).

  • 46

    Metsänen, T. T. et al. Combinaison de descripteurs 2D traditionnels et de dérivés physiques organiques modernes pour prédire une énantiosélectivité accrue pour l'addition clé de conjugué aza-Michael dans la synthèse de Prevymis ™ (letermovir). Chem. Sci. 96922–6927 (2018).

  • 47

    Gedeck, P., Skolnik, S. et Rodde, S. Développement de modèles QSAR collaboratifs sans structure de partage. J. Chem. Inf. Modèle. 57, 1847-1858 (2017).

  • 48.

    Donoho, D. 50 ans de science des données. J. Comput. Graphique. Stat. 26745–766 (2017).

  • 49

    Bajusz, D., Racz, A. et Heberger, K. Pourquoi l'indice de Tanimoto est-il un choix approprié pour les calculs de similarité basés sur les empreintes digitales? J. Cheminf. 720 (2015).

  • 50

    Martinot, T. Internet-of-Things pourrait-il être la prochaine étape dans l'évolution de la chimie. Blog TetraScience (2016).

  • 51.

    Contreras, l’héritage de J. L. Bermuda: politique, brevets et conception du génome commun. Minn. J. Law Sci. Technol. 12, 61-125 (2011).

  • 52

    Amann, R. I. et al. Vers une utilisation sans restriction des données génomiques publiques. Science 363350–352 (2019).

  • 53

    Lander, E. S. Les héros de CRISPR. Cellule 164, 18–28 (2016).

  • 54

    Baker, M. Y a-t-il une crise de reproductibilité? La nature 533452–454 (2016).

  • 55

    Bergman, R. G. et Danheiser, R. L. Reproductibilité en recherche chimique. Angew. Chem. Int. Ed. 55, 12548-12549 (2016).

  • 56.

    Brock, J. «Une lettre d'amour pour votre avenir»: ce que les scientifiques doivent savoir sur les données FAIR. Indice de la nature (2019).

  • 57

    Preece, A., D. Harborne, D. Braines, R. Tomsett, R. et Chakraborty, S. Parties prenantes de l'IA explicable. Pré-impression à (2018).

  • 58

    Caliskan, A., Bryson, J. J. et Narayanan, A. La sémantique dérivée automatiquement des corpus de langage contient des biais analogues à ceux de l'homme. Science 356, 183-186 (2017).

  • [ad_2]