DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction

Abstract

A química computacional tem tradicionalmente recorrido a métodos clássicos como a mecânica quântica, a mecânica molecular e a termodinâmica estatística para tarefas como a previsão de propriedades moleculares, a descoberta de fármacos e a análise de vias metabólicas. Avanços recentes no poder computacional e a proliferação de dados químicos e biológicos têm melhorado significativamente a nossa capacidade de entender e prever o comportamento de pequenas moléculas. Técnicas computacionais modernas, incluindo a aprendizagem máquina, aprendizagem profunda e algoritmos evolucionários têm permitido a manipulação de vastos conjuntos de dados e sistemas moleculares complexos com alta precisão e eficiência. Estes avanços não só melhoram a descoberta de fármacos e a análise de vias metabólicas, como também promovem uma química mais sustentável ao favorecer métodos biossintéticos em deterimento da síntese química tradicional, reduzindo assim os impactos ambientais e económicos. Este trabalho foca-se no desenvolvimento de plataformas e algoritmos de inteligência artificial na química computacional em áreas chave: previsão de propriedades/atividades moleculares, otimização do desenho molecular, planeamento de síntese e previsão de metabolismo. Para tal desenvolvemos o DeepMol para previsão automática de propriedades/atividades moleculares usando aprendizagem máquina e profunda. Utilizámos modelos de reações bioquímicas para melhorar a eficiência no planeamento de síntese. Com o ReactEA integramos algoritmos evolucionários com templates de reações para a otimização do desenho de novas moléculas. Por fim, o BioCatalyzer prevê o metabolismo de moléculas, fornecendo informação crítica sobre o seu processo metabólico. Em geral, a nossa investigação foca-se na melhoria da previsão de propriedades moleculares, na otimização do desenho de novas moléculas e na compreensão de vias metabólicas. Ao integrar inteligência artificial com templates de reações bioquímicas, pretendemos melhorar os processos de descoberta e desenvolvimento de fármacos.

Computational chemistry has traditionally relied on methods such as quantum mechanics, molecular mechanics, and statistical thermodynamics for tasks like molecular property prediction, drug discovery, and metabolic pathway analysis. Recent advancements in computational power and the proliferation of chemical and biological data have significantly enhanced our ability to design and predict the behavior of small molecules. Modern techniques, including machine learning, deep learning, and evolutionary algorithms, enable the handling of vast datasets and complex molecular systems with high accuracy and efficiency. These advancements not only improve drug discovery and metabolic pathway analysis but also promote green chemistry by favoring sustainable biosynthetic methods over traditional chemical synthesis, thereby reducing environmental and economic impacts. This work explores artificial intelligence frameworks and algorithms in computational chemistry across key areas: molecular property/activity prediction, molecular design optimization, synthesis planning, and metabolism prediction. We developed DeepMol for automated molecular property/activity prediction using machine and deep learning. Biochemical reaction templates were used to enhance synthesis planning efficiency. ReactEA integrated evolutionary algorithms with reaction rules for molecular design optimization. Lastly, BioCatalyzer predicts small molecule metabolism, offering insights into the metabolic fate of chemicals. Overall, our research focuses on improving molecular property prediction, optimizing design, and understanding metabolic pathways. By integrating artificial intelligence with biochemical reaction rules, we aim to enhance drug discovery and development processes.