Pascal Miéville (EPFL, Lausanne) 

‘Multidisciplinary challenges on the way to a fully autonomous chemistry laboratory at Swiss CAT+’ 

‘Swiss CAT+ is een Zwitsers confederatieproject, verdeeld over de EPFL en de ETH Zürich. Het doel is om een infrastructuur te creëren voor onderzoek naar chemische katalyse die datagedreven, geautomatiseerd en autonoom is. We willen de nieuwe visie op digitale chemie in het project integreren en het lab open access maken, zodat samenwerken met andere academici en bedrijven makkelijker wordt. We zijn nu halverwege onze eerste ronde van vier jaar en onze machine is bijna volledig geïnstalleerd, hoewel we nog werken aan de automatisering en integratie. Rond 2024 moet de exploitatie beginnen, zodat we nu al gegevens kunnen verzamelen voor de database. In Lausanne richten we ons op homogene organische katalysatoren met een focus op asymmetrische katalysereacties.’   

‘Multidisciplinariteit is cruciaal voor het project’ 

‘Een van de uitdagingen waarmee we nog steeds worden geconfronteerd, is de integratie van apparatuur. Bedrijven die apparatuur maken zijn gericht op handmatig werken in het lab. We kunnen het deels aanpassen voor onze geautomatiseerde machine, maar we moeten echt samenwerken met bedrijven om de apparatuur aan onze behoeften aan te passen. Een andere uitdaging is de standaardisatie van gegevens, zowel aan de kant van het laboratorium als aan de kant van de bedrijven. Verder heb je ook nog de bemonstering van vaste stoffen. Wat deze laatste uitdaging betreft, hebben de biologische wetenschappen een voorsprong in automatisering dankzij hun voornaamste medium, namelijk water of vloeistoffen. In de chemie heb je veel verschillende chemische stoffen: vast, vloeibaar, corrosief, pluizig, noem maar op, wat de bemonstering lastiger maakt.’ 

‘Multidisciplinariteit is cruciaal voor het project, ontdekte ik al vroeg. Gewoonlijk denken we bij chemische projecten alleen aan chemici. Maar deze keer hebben we computerspecialisten, micro-ingenieurs enzovoort nodig. Alleen zo kan zo’n project slagen.’ 

Philippe Schwaller (EPFL, Lausanne) 

‘AI-accelerated organic chemistry’ 

‘Wij onderzoeken het snijvlak tussen chemie en machine learning, met een focus op hoe we kunnen leren van de grote hoeveelheden experimentele data die we vinden in de organische chemie. Met de modellen die we ontwikkelen willen we reacties kunnen voorspellen, synthesepaden voorstellen op basis van de verzamelde gegevens en moleculaire ontdekking versnellen.’ 

‘Een soort ChatGPT voor de chemie’ 

‘Een eenvoudig maar interessant idee, dat ik in het verleden met succes heb toegepast, is het gebruik van regelnotaties, SMILES genaamd, die moleculen in tekstformaat voorstellen. Wij combineren dat met methoden voor taalanalyse en modelarchitecturen zoals ChatGPT en passen die toe op de organische chemie. We hadden ook een verrassende vondst: sommige subonderdelen van de machine learning modellen leerden hoe atomen tijdens chemische reacties herschikt moesten worden. We gebruikten deze observatie om een open source tool te ontwikkelen voor het in kaart brengen van atomen, RXNMapper genaamd. Voor niet-triviale reacties en op grote datasets kost het veel minder tijd dan wanneer je dat handmatig zou doen, en het levert informatie op die ons helpt reacties beter te begrijpen en te classificeren. Dit zijn slechts enkele van de richtingen die we momenteel verkennen, maar in het algemeen streven we ernaar modellen te creëren die gericht zijn op een praktische toepassing.’  

‘Op de Solvay-conferentie zal ik dieper ingaan op dit idee van AI-versnelde organische synthese. We hebben de afgelopen tien jaar enorme vooruitgang geboekt op het gebied van machine learning en kunstmatige intelligentie en ik ben er zeker van dat dit een grote invloed zal hebben op de manier waarop chemie wordt bedreven. Er is een enorme hoeveelheid gegevens, maar die zijn niet echt toegankelijk, dus we zoeken naar manieren om de gegevens te standaardiseren en zo de chemie beter reproduceerbaar te maken. Het combineren van het beste van AI-modellen en menselijke expertise tot een soort ChatGPT voor de chemie is de juiste weg.’ 

Martin Burke (University of Illinois at Urbana-Champaign) 

‘Generalizing small molecule synthesis’ 

‘Sinds mensenheugenis maken we al grote dingen, maar pas de laatste 200 jaar maken we kleine dingen, namelijk moleculen. Daarnaast zou je alle mensen die moleculen maken in één groot gebouw kunnen stoppen. Ik denk dat het tijd is om de grenzen te verleggen, om moleculaire synthese te democratiseren zodat iedereen moleculen kan maken. Het is tijd voor verandering. We willen een nieuwe soort synthese creëren die algemener is, meer modulair, makkelijk te automatiseren en te integreren met kunstmatige intelligentie, en waaraan iedereen kan deelnemen.’ 

‘Het is tijd om moleculaire synthese te democratiseren’ 

‘Hoe doe je dat dan? Begin met de hypothese dat dit idee mogelijk is. Veel te lang hebben we aangenomen dat “custom” synthese van kleine moleculen een vereiste is en dat alleen degenen die bekwaam genoeg zijn dit kunnen. Maar als je kijkt naar de synthese van peptiden, nucleotiden of zelfs suikers, zowel in de natuur als in het laboratorium, dan worden die op een modulaire en geautomatiseerde manier gemaakt. De volgende stap is dus om de synthese van kleine moleculen te zien als een Lego-kit, voor geneesmiddelen, materialen, enz. Gebruik zo weinig mogelijk reacties, idealiter slechts één. Ons doel is niet om robots te maken die chemie doen, maar om chemie te ontwerpen die robots kunnen doen.’  

‘Ik denk dat “New ways to do chemistry” een zeer gedurfd en actueel thema is. Als vakgebied hebben we het grootste deel van het talent gemist; er lopen acht miljard “verbeeldingskrachten” rond. Als mensen zoals mijn eigen kinderen kunnen leren coderen op de kleuterschool, en iedereen kan deelnemen aan NASA’s citizen science project op zoek naar exoplaneten, dan geloof ik echt dat iedereen moleculen kan maken.’ 

Berend Smit (EPFL, Lausanne) 

‘Capturing chemical intuition’ 

‘Onze intuïtie zit er wel eens naast, maar het gaat me nu juist om het “vangen” van de intuïtie die wèl klopt. We zien namelijk in ons lab dat promovendi gaandeweg hun onderzoek steeds beter worden in het synthetiseren van MOF’s [metal organic frameworks, red.]. Ze ontwikkelen een soort intuïtie voor het voorspellen van de meest kansrijke metaal-linkercombinaties. Maar zodra ze klaar zijn, verdampt die kennis. Die wordt niet vastgelegd of doorgegeven. Wij zijn daarom gaan zoeken naar een manier om die kennis wel vast te leggen en dat is wat ik bedoel met “capturing chemical intuition”. Daar hebben we onze syntheserobot voor ingezet. We hebben de robot opnieuw een heleboel MOF’s laten maken, met als doel het verbeteren van het wereldrecord “BET-surface area”; een belangrijke parameter bij MOFs. Dat is gelukt, we hebben dat wereldrecord bemachtigd, maar om dat winnende recept te vinden hebben we de robot 300 recepten laten proberen en de meesten daarvan leidden dus niet tot dat record. Door vervolgens machine learning los te laten op al die uitgevoerde experimenten kregen we zicht op de variabelen die het meest bepalend zijn voor het eindresultaat. En dat helpt je bij het ontwikkelen van nieuwe recepten. Juist door te kijken naar alles wat niet is gelukt kun je heel veel leren; dat is die intuïtie waar we naar zoeken.’  

‘Chemici hebben geen idee wat ze te wachten staat’ 

‘Het grote voordeel van een robot is dat je precies alle condities weet en kunt achterhalen. Je kunt achteraf niet van de promovendi vragen om ook nog even alle mislukte experimenten opnieuw te gaan beschrijven. Stel dat je tweehonderd pogingen hebt gedaan, dat gaat helemaal niet. Maar daarom is het zo belangrijk om vooraf ervan uit te gaan dat je alles wat je gaat doen ook gaat publiceren, dan heb je er wel iets aan. Met de komst van machine learning systemen kunnen we namelijk echt wat met die enorme hoeveelheid data, dus alles publiceren is heel goed. In mijn lezing wil ik laten zien wat we zoal kunnen doen met machine learning en welke relevante vragen je door zo’n systeem kunt laten beantwoorden. Vaak met verrassend goede resultaten, alsof je het een chemicus vraagt die de hele literatuur kent. Dat is natuurlijk nogal confronterend, want iedereen kan nu met zo’n machine learning model toegang krijgen tot de kennis van die “chemicus”. Dit zal de manier waarop we onderzoek doen gewoon veranderen. Dat wil ik laten zien, want de meeste chemici hebben echt nog geen idee wat ze te wachten staat.’ 

Solvay workshop 

‘New ways to do chemistry. Emerging technologies for synthetic methodology’ 

24-26 april, Campus Plaine, ULB, Brussel 

Wetenschappelijk en organiserend comité: 

Gert Desmet (Vrije Universiteit Brussel) 

Ben Feringa (Rijksuniversiteit Groningen) 

Yves Geerts (Université Libre de Bruxelles) 

Patrick Maestro (Solvay SA) 

Hennie Valkenier (Université Libre de Bruxelles) 

Meer informatie: solvayinstitutes.be