Prédiction de Cocrystaux Guidée par Apprentissage Machine Basée sur une Grande Base de Données

Un modèle d'apprentissage machine entraîné sur l'ensemble de la Cambridge Structural Database a été développé pour aider le dépistage de cocrystaux à haut débit. Avec seulement des structures 2D prises comme entrées, la probabilité de formation de cocrystaux est renvoyée pour deux molécules données. Tous les enregistrements de cocrystaux dans la CSD ont été utilisés comme échantillons positifs, tandis que des échantillons négatifs ont été construits en combinant aléatoirement différentes molécules en paires chimiques. Notre modèle a montré une capacité de prédiction comparable à celle d'une méthode ab initio largement utilisée dans un test de comparaison directe. Des dépistages de cocrystaux expérimentaux et virtuels contre le captopril ont été réalisés en même temps pour valider davantage le modèle. Deux cocrystaux de captopril avec l-proline et sarcosine ont été obtenus et caractérisés par PXRD, DSC et FT-IR. Ces deux coformateurs ont également été prédits avec succès par notre modèle. Ces résultats suggèrent que l'outil que nous avons développé peut être utilisé pour guider efficacement la sélection de coformateurs dans la découverte de nouveaux cocrystaux.