Während der frühen Entwicklung beginnen Gewebe und Organe durch die Verschiebung, Teilung und das Wachstum vieler tausender Zellen zu blühen.

Ein Crew von MIT-Ingenieuren hat nun eine Möglichkeit entwickelt, Minute für Minute vorherzusagen, wie sich einzelne Zellen im frühesten Wachstumsstadium einer Fruchtfliege falten, teilen und neu anordnen. Die neue Methode könnte eines Tages eingesetzt werden, um die Entwicklung komplexerer Gewebe, Organe und Organismen vorherzusagen. Es könnte Wissenschaftlern auch dabei helfen, Zellmuster zu identifizieren, die früh auftretenden Krankheiten wie Bronchial asthma und Krebs entsprechen.

In einer Studie erscheint heute in der Zeitschrift NaturmethodenDas Crew stellt ein neues Deep-Studying-Modell vor, das lernt und dann vorhersagt, wie sich bestimmte geometrische Eigenschaften einzelner Zellen während der Entwicklung einer Fruchtfliege ändern werden. Das Modell erfasst und verfolgt Eigenschaften wie die Place einer Zelle und ob sie zu einem bestimmten Zeitpunkt eine benachbarte Zelle berührt.

Das Crew wandte das Modell auf Movies von sich entwickelnden Fruchtfliegenembryonen an, von denen jeder als Ansammlung von etwa 5.000 Zellen beginnt. Sie fanden heraus, dass das Modell mit einer Genauigkeit von 90 Prozent vorhersagen konnte, wie sich jede der 5.000 Zellen während der ersten Stunde der Entwicklung Minute für Minute falten, verschieben und neu anordnen würde, während sich der Embryo von einer glatten, gleichmäßigen Type in definiertere Strukturen und Merkmale verwandelt.

„Diese allererste Part wird als Gastrulation bezeichnet und dauert etwa eine Stunde, wenn sich einzelne Zellen im Minutenbereich neu anordnen“, sagt Studienautor Ming Guo, außerordentlicher Professor für Maschinenbau am MIT. „Durch die genaue Modellierung dieser frühen Part können wir beginnen aufzudecken, wie lokale Zellinteraktionen zur Entstehung globaler Gewebe und Organismen führen.“

Die Forscher hoffen, das Modell anwenden zu können, um die Zell-für-Zell-Entwicklung bei anderen Arten wie Zebrafischen und Mäusen vorherzusagen. Dann können sie damit beginnen, Muster zu identifizieren, die allen Arten gemeinsam sind. Das Crew stellt sich auch vor, dass die Methode zur Erkennung früher Krankheitsmuster, beispielsweise bei Bronchial asthma, eingesetzt werden könnte. Lungengewebe von Asthmatikern unterscheidet sich deutlich von gesundem Lungengewebe. Wie sich anfänglich Bronchial asthma-anfälliges Gewebe entwickelt, ist ein unbekannter Prozess, den die neue Methode des Groups möglicherweise aufdecken könnte.

„Asthmatisches Gewebe zeigt bei Dwell-Aufnahmen eine unterschiedliche Zelldynamik“, sagt Co-Autor und MIT-Doktorand Haiqian Yang. „Wir stellen uns vor, dass unser Modell diese subtilen dynamischen Unterschiede erfassen und eine umfassendere Darstellung des Gewebeverhaltens liefern könnte, was möglicherweise die Diagnostik oder Arzneimittel-Screening-Assays verbessern könnte.“

Die Co-Autoren der Studie sind Markus Buehler, McAfee-Professor für Ingenieurwissenschaften am Division of Civil and Environmental Engineering des MIT; George Roy und Tomer Stern von der College of Michigan; und Anh Nguyen und Dapeng Bi von der Northeastern College.

Punkte und Schäume

Wissenschaftler modellieren die Entwicklung eines Embryos typischerweise auf eine von zwei Arten: als Punktwolke, bei der jeder Punkt eine einzelne Zelle als Punkt darstellt, der sich im Laufe der Zeit bewegt; oder als „Schaum“, der einzelne Zellen als Blasen darstellt, die sich verschieben und gegeneinander gleiten, ähnlich den Blasen im Rasierschaum.

Anstatt zwischen den beiden Ansätzen zu wählen, haben Guo und Yang beide angenommen.

„Es gibt eine Debatte darüber, ob das Modell als Punktwolke oder als Schaum modelliert werden soll“, sagt Yang. „Bei beiden handelt es sich jedoch im Wesentlichen um unterschiedliche Methoden zur Modellierung desselben zugrunde liegenden Diagramms, was eine elegante Möglichkeit zur Darstellung lebender Gewebe darstellt. Indem wir diese als ein Diagramm kombinieren, können wir mehr strukturelle Informationen hervorheben, beispielsweise wie Zellen miteinander verbunden sind, wenn sie sich im Laufe der Zeit neu anordnen.“

Das Herzstück des neuen Modells ist eine „Twin-Graph“-Struktur, die einen sich entwickelnden Embryo sowohl als bewegliche Punkte als auch als Blasen darstellt. Durch diese duale Darstellung hofften die Forscher, detailliertere geometrische Eigenschaften einzelner Zellen zu erfassen, beispielsweise die Place des Zellkerns, ob eine Zelle eine benachbarte Zelle berührt und ob sie sich zu einem bestimmten Zeitpunkt faltet oder teilt.

Als Grundsatznachweis trainierte das Crew das neue Modell, um zu „lernen“, wie sich einzelne Zellen im Laufe der Zeit während der Gastrulation von Fruchtfliegen verändern.

„Die Gesamtform der Fruchtfliege in diesem Stadium ist ungefähr ein Ellipsoid, aber während der Gastrulation findet an der Oberfläche eine gigantische Dynamik statt“, sagt Guo. „Es reicht von völlig glatt bis zur Bildung einer Reihe von Falten in verschiedenen Winkeln. Und wir wollen all diese Dynamiken vorhersagen, von Second zu Second und Zelle für Zelle.“

Wo und wann

Für ihre neue Studie wandten die Forscher das neue Modell auf hochwertige Movies der Gastrulation von Fruchtfliegen an, die von ihren Mitarbeitern an der College of Michigan aufgenommen wurden. Bei den Movies handelt es sich um einstündige Aufnahmen sich entwickelnder Fruchtfliegen, aufgenommen mit Einzelzellauflösung. Darüber hinaus enthalten die Movies Beschriftungen der Ränder und Kerne einzelner Zellen – Daten, die unglaublich detailliert und schwer zu bekommen sind.

„Diese Movies sind von extrem hoher Qualität“, sagt Yang. „Diese Daten sind sehr selten, da man eine Auflösung im Submikrometerbereich des gesamten 3D-Volumens bei einer ziemlich schnellen Bildrate erhält.“

Das Crew trainierte das neue Modell mit Daten aus drei von vier Fruchtfliegenembryo-Movies, sodass das Modell „lernen“ konnte, wie einzelne Zellen interagieren und sich verändern, während sich ein Embryo entwickelt. Anschließend testeten sie das Modell anhand eines völlig neuen Fruchtfliegenvideos und stellten fest, dass es mit hoher Genauigkeit vorhersagen konnte, wie sich die meisten der 5.000 Zellen des Embryos von Minute zu Minute veränderten.

Konkret könnte das Modell Eigenschaften einzelner Zellen mit einer Genauigkeit von etwa 90 Prozent vorhersagen, etwa ob sie sich falten, teilen oder weiterhin eine Kante mit einer benachbarten Zelle teilen werden.

„Am Ende sagen wir nicht nur voraus, ob diese Dinge passieren werden, sondern auch wann“, sagt Guo. „Wird sich diese Zelle zum Beispiel in sieben oder in acht Minuten von dieser Zelle lösen? Wir können sagen, wann das passieren wird.“

Das Crew ist davon überzeugt, dass das neue Modell und der Twin-Graph-Ansatz im Prinzip in der Lage sein sollten, die zellweise Entwicklung anderer multizellulärer Systeme, beispielsweise komplexerer Arten und sogar einiger menschlicher Gewebe und Organe, vorherzusagen. Der limitierende Faktor ist die Verfügbarkeit qualitativ hochwertiger Videodaten.

„Aus der Modellperspektive denke ich, dass es fertig ist“, sagt Guo. „Der eigentliche Engpass sind die Daten. Wenn wir qualitativ hochwertige Daten zu bestimmten Geweben haben, könnte das Modell direkt angewendet werden, um die Entwicklung viel weiterer Strukturen vorherzusagen.“

Diese Arbeit wird teilweise von den US Nationwide Institutes of Well being unterstützt.

Bild vom Herausgeber

# Einführung

Wir alle haben es gehört: Einstiegsjobs sind tot, Skynet ist da und wir sollten uns auf eine globale Revolution vorbereiten. Ich weiß, dass ich nicht der Einzige bin, der es satt hat zu sagen, wie künstliche Intelligenz (KI) wird unsere Karrieren zerstören. Wie wäre es, vorne zu bleiben und die Likelihood vielleicht sogar zu monetarisieren? Aber was bedeutet es hier überhaupt, die Nase vorn zu haben?

Es ist nicht die Codierung des nächsten ChatGPT oder über Nacht Datenwissenschaftler werden. Es bedeutet, sich schneller weiterzuentwickeln als die Systeme, die statische Denker ersetzen.

Der Punkt ist: diejenigen, die lernen, mit KI zusammenzuarbeiten, anstatt sie zu fürchten wird der Schlüssel zum Arbeitsmarkt von morgen sein. Alle anderen werden Zuschauer in ihren eigenen Branchen sein.

# Verstehen Sie den Wandel, wehren Sie sich nicht dagegen

KI ist keine Welle, die man stoppen kann – es ist eine Meeresströmung, die neue Arten des Schwimmens erfordert. Wenn Sie sich dagegen wehren, sinken Sie nur unter die Oberfläche.

Der erste Schritt, um related zu bleiben, besteht darin, zu verstehen, dass KI nicht dazu gedacht ist, Kreativität zu ersetzen, sondern sie zu verstärken. Fachleute, die KI als Companion und nicht als Bedrohung betrachten, werden feststellen, dass sie ihre Möglichkeiten erweitert und nicht einschränkt.

Was sich ändert, sind nicht nur Berufsbezeichnungen; Es sind Jobdefinitionen. Schriftsteller Ihre ganze Welt wurde auf den Kopf gestelltAnalysten werden zu Interpreten algorithmischer Erkenntnisse und Vermarkter werden nun zu Orchestratoren der Maschine-Mensch-Zusammenarbeit. Wenn Sie diese Veränderungen frühzeitig erkennen, können Sie präzise und nicht in Panik geraten.

Fachleute mit KI-Kenntnissen warten nicht darauf, dass die Störung eintritt – sie studieren sie, dekonstruieren sie und suchen nach Möglichkeiten, sie in ihre Arbeitsabläufe zu integrieren.

Für manche beginnt es mit der Kontrolle die Länge ihres Lebenslaufs und endet mit einem ganzen Nebenprojekt in einer neu erlernten Programmiersprache. Allein dieses Bewusstsein schafft Einfluss. Wenn Sie die Fähigkeiten der KI in Ihrem Bereich in praktische Auswirkungen umsetzen können, werden Sie von austauschbar zu unverzichtbar.

// Entwickeln Sie adaptive Intelligenz, nicht nur technische Fähigkeiten

Der einfache Teil ist es, den Umgang mit KI-Instruments zu erlernen. Entwicklung die Artwork von adaptiver Intelligenz, die Sie related hält Wenn sich Werkzeuge weiterentwickeln, ist das die eigentliche Herausforderung.

Adaptive Intelligenz bedeutet, kritisch zu denken, Systeme zu hinterfragen und Ihren Ansatz neu zu gestalten, wenn sich die Technologie unter Ihnen verändert. Es geht um die Flexibilität des Denkens, nicht nur um technische Kompetenz.

KI verändert, welche Fähigkeiten wichtig sind, aber nicht, warum sie wichtig sind. Die Profis, die erfolgreich sind, sind diejenigen, die die von der KI gelieferten Daten interpretieren, kontextualisieren und hinterfragen können. Sie akzeptieren nicht einfach die erste Antwort. Diese Gewohnheiten machen das menschliche Urteil wertvoller und nicht weniger.

# Integrieren Sie KI-Kenntnisse in Ihren täglichen Arbeitsablauf

Sie müssen keine neuronalen Netze beherrschen, um an der Spitze zu bleiben – Sie müssen nur anfangen, in der Sprache der KI zu denken. Betrachten Sie jedes Projekt als ein kleines gemeinsames Experiment.

Fragen Sie: Was kann automatisiert werden und was erfordert noch einen menschlichen Funken? Je besser Sie diese Grenze erkennen, desto effizienter werden Sie sich in der neuen Arbeitslandschaft zurechtfinden.

Integration von KI in tägliche Datenabläufe zwingt Sie dazu, Zeit und Aufmerksamkeit zu überdenken. Wenn ein Modell zusammenfassen, sortieren oder vorhersagen kann, können Sie sich auf Aufgaben konzentrieren, die noch Kreativität, Einfühlungsvermögen oder Strategie erfordern.

Hier geht es nicht darum, Instruments wie ChatGPT zu nutzen, um Abstriche zu machen; es geht darum, sie in Katalysatoren für tieferes Denken zu verwandeln.

# Stärken Sie die Fähigkeiten, die die KI nicht reproduzieren kann

Obwohl Algorithmen schreiben, entwerfen oder sogar Strategien entwickeln können, fehlt ihnen noch etwas, das Sie haben: Mushy Expertise, die den Unterschied machen. Fähigkeiten, die auf Empathie, Überzeugungskraft, Geschichtenerzählen, Verhandlungen und moralischem Denken basieren, können nicht durch Code reproduziert werden. Tatsächlich wird der Marktwert dieser auf den Menschen ausgerichteten Fähigkeiten mit zunehmender Dominanz der KI steigen.

Menschen, die es verstehen, Ideen emotional zu verbinden, bleiben im Mittelpunkt der Innovation. Technische Gewandtheit gepaart mit emotionaler Intelligenz wird das leistungsstärkste Hybrid-Skillset des Jahrzehnts bilden. Das Ziel besteht nicht darin, mit der KI zu konkurrieren, sondern sie zu ergänzen – die fehlende Variable zu werden, die Daten in Entscheidungen umwandelt.

Wenn Sie Groups inspirieren, Kontexte interpretieren und Geschichten rund um Daten erzählen können, werden Sie immer die Nase vorn haben. KI kann den Puls eines Publikums nicht spüren oder die Psychologie hinter einer Wahl vorhersagen. Das ist Ihr Vorteil. Konzentrieren Sie sich auf das, was Sie menschlich macht, und überlassen Sie die Maschinen den Umgang mit der Mechanik.

# Werden Sie ein strategischer Experimentator

KI belohnt diejenigen, die spielen, nicht diejenigen, die pausieren. Behandeln Sie es wie ein Labor, nicht wie eine Vorlesung. Das Experimentieren hält Ihre Neugier wach und Ihren beruflichen Werdegang unvorhersehbar – im besten Sinne.

Die Menschen, die früh testen, schnell scheitern und ständig lernen, sind diejenigen, die das Muskelgedächtnis aufbauen, um sich anzupassen, wenn sich Branchen über Nacht verändern.

Beginnen Sie mit Experimenten mit geringem Einsatz: Nutzen Sie KI, um ein erzeugen Python Skript zur Automatisierung einer langweiligen Aufgabenutzen Sie generative Instruments für ein Brainstorming oder erstellen Sie einen Prototyp eines Workflows, der Zeit spart. Bei jeder Iteration lernen Sie nicht nur, wie man KI nutzt, sondern auch, wie man so denkt – systematisch, probabilistisch und mit kreativen Einschränkungen.

Die Zukunft gehört Profis, die Experimente mit Strategie verbinden. Es geht nicht darum, glänzenden neuen Modellen nachzujagen, sondern wiederholbare Prozesse für die Entdeckung zu entwickeln.

Neugier wird, wenn sie strukturiert ist, zu Innovation. Diese Denkweise – zu gleichen Teilen Entdecker und Ingenieur – hält Sie an der Spitze, während andere noch aufholen.

# Gestalten Sie die KI-Erzählung Ihrer Branche

Die lautesten Stimmen rund um die KI sind derzeit diejenigen, die den Untergang vorhersagen oder einen Hype verkaufen. Die wertvollsten Fachleute werden diejenigen sein, die den Mittelweg bilden – die pragmatischen, visionären Stimmen Wer technisches Verständnis mit menschlicher Strategie verbinden kann. Jede Branche braucht Dolmetscher, die artikulieren können, wie KI nicht nur Arbeitsabläufe, sondern auch Werte und Ziele verändert.

Beginnen Sie, zu dieser Erzählung beizutragen. Schreiben, sprechen oder teilen Sie Erkenntnisse darüber, wie sich KI auf Ihr Fachgebiet auswirkt. Thought Management baut sowohl die persönliche Marke als auch den Einfluss auf und macht Sie zum Fachmann, den andere um Rat fragen. Außerdem vertieft es Ihr Verständnis, da es Sie dazu zwingt, komplexe Sachverhalte in einfacher Sprache zu erklären.

Die eigene Erzählung zu besitzen bedeutet nicht, sich als Experte auszugeben – es bedeutet, in der Öffentlichkeit neugierig zu sein. Diejenigen, die ihre Lernreise dokumentieren, ziehen oft Chancen wahr, bevor sie erkennen, dass sie dafür qualifiziert sind. Die moderne Karriere basiert nicht auf statischem Fachwissen, sondern auf sichtbarer Entwicklung.

# Abschluss

KI ersetzt Sie nicht – sie schreibt die Wettbewerbsregeln neu. Die Profis, die erfolgreich sind, werden nicht diejenigen sein, die über die größten technischen Fähigkeiten verfügen, sondern diejenigen, die Technologie als Verstärker des menschlichen Potenzials betrachten.

Um an der Spitze zu bleiben, geht es nicht darum, die Maschinen auszutricksen; Es geht darum, das, was man mit ihnen macht, zu erweitern. Lernen Sie weiter, experimentieren Sie weiter und stellen Sie die menschliche Instinct in den Mittelpunkt Ihrer Entscheidungen. Die Zukunft gehört nicht denen, die den Aufstieg der KI fürchten. Es gehört denen, die mutig genug sind, damit zu wachsen.

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

Mit maschinellem Lernen haben MIT -Chemieingenieure ein Rechenmodell erstellt, mit dem sich vorhersagen kann, wie intestine jedes Molekül in einem organischen Lösungsmittel auflöst – ein wichtiger Schritt in der Synthese nahezu jeder Pharmazeutika. Diese Artwork von Vorhersage könnte es viel einfacher machen, neue Möglichkeiten zur Herstellung von Arzneimitteln und anderen nützlichen Molekülen zu entwickeln.

Das neue Modell, das vorhersagt, wie viel von einem gelösten gelösten Stoff in einem bestimmten Lösungsmittel auflösen wird, sollte Chemikern helfen, das richtige Lösungsmittel für eine bestimmte Reaktion in ihrer Synthese zu wählen, sagen die Forscher. Gemeinsame organische Lösungsmittel umfassen Ethanol und Aceton, und es gibt Hunderte von anderen, die auch bei chemischen Reaktionen verwendet werden können.

„Die Vorhersage von Löslichkeit ist wirklich ein ratebeschränkender Schritt bei der synthetischen Planung und Herstellung von Chemikalien, insbesondere von Medikamenten. Daher hat es ein langjähriges Interesse daran, bessere Vorhersagen der Löslichkeit zu machen“, sagt Lucas Attia, ein MIT-Doktorand und einer der führenden Autoren der neuen Studie.

Die Forscher haben ihre gemacht Modell Frei verfügbar, und viele Unternehmen und Labors haben bereits begonnen, es zu verwenden. Das Modell könnte besonders nützlich sein, um Lösungsmittel zu identifizieren, die weniger gefährlich sind als einige der am häufigsten verwendeten industriellen Lösungsmittel, sagen die Forscher.

„Es gibt einige Lösungsmittel, von denen bekannt ist, dass sie die meisten Dinge auflösen. Sie sind wirklich nützlich, aber sie schädigen die Umwelt und schädigen für Menschen, so viele Unternehmen müssen die Menge der Lösungsmittel, die Sie verwenden, minimieren“, sagt Jackson Burns, ein MIT -Graduiertenstudent, der auch ein führender Autor der Zeitung ist. „Unser Modell ist äußerst nützlich, um das nächstbeste Lösungsmittel zu identifizieren, was hoffentlich viel weniger schädlich für die Umwelt ist.“

William Inexperienced, der Hoyt Hottel Professor für Chemieingenieurwesen und Direktor der MIT Vitality Initiative, ist der leitende Autor der Studiewas heute in erscheint in Naturkommunikation. Patrick Doyle, der Professor für Chemieingenieurwesen von Robert T. Haslam, ist auch Autor des Papiers.

Löslichkeit lösen

Das neue Modell entstand aus einem Projekt, an dem Attia und Burns zusammen in einem MIT -Kurs zur Anwendung maschineller Lernen auf Probleme mit dem chemischen Technik gearbeitet haben. Traditionell haben Chemiker die Löslichkeit mit einem Device vorhergesagt, das als Abraham -Solvatationsmodell bekannt ist und zur Schätzung der Gesamtlöslichkeit eines Moleküls durch Addition der Beiträge chemischer Strukturen innerhalb des Moleküls verwendet werden kann. Während diese Vorhersagen nützlich sind, ist ihre Genauigkeit begrenzt.

In den letzten Jahren haben Forscher begonnen, maschinelles Lernen zu verwenden, um zu versuchen, genauere Löslichkeitsvorhersagen zu treffen. Bevor Burns und Attia mit der Arbeit an ihrem neuen Modell begannen, battle das hochmoderne Modell zur Vorhersage der Solubilität ein Modell, das 2022 in Inexperienced Labor entwickelt wurde.

Dieses als SolProp bekannte Modell erfolgt durch Vorhersage einer Reihe verwandter Eigenschaften und kombiniert sie unter Verwendung der Thermodynamik, um letztendlich die Löslichkeit vorherzusagen. Das Modell hat jedoch Schwierigkeiten, Löslichkeit für gelöste Stoffe vorherzusagen, die es zuvor noch nicht gesehen hat.

„Für Arzneimittel- und chemische Entdeckungspipelines, in denen Sie ein neues Molekül entwickeln, möchten Sie in der Lage sein, im Voraus vorherzusagen, wie seine Löslichkeit aussieht“, sagt Attia.

Ein Grund dafür, dass vorhandene Löslichkeitsmodelle nicht intestine funktioniert haben, ist, dass es keinen umfassenden Datensatz gab, an dem sie geschult wurden. Im Jahr 2023 wurde jedoch ein neuer Datensatz namens BigSoldB veröffentlicht, der Daten aus quick 800 veröffentlichten Artikel zusammenstellte, einschließlich Informationen zur Löslichkeit für etwa 800 Moleküle, die etwa 100 organische Lösungsmittel gelöst wurden, die üblicherweise in der synthetischen Chemie verwendet werden.

Attia und Burns beschlossen, zwei verschiedene Arten von Modellen für diese Daten auszubilden. Beide Modelle repräsentieren die chemischen Strukturen von Molekülen unter Verwendung von numerischen Darstellungen, die als Emettdings bezeichnet werden und die Informationen wie die Anzahl der Atome in einem Molekül enthalten und an die Atome an die anderen Atome gebunden sind. Modelle können diese Darstellungen dann verwenden, um eine Vielzahl chemischer Eigenschaften vorherzusagen.

Eines der in dieser Studie verwendeten Modelle, bekannt als FastProp und von Burns und anderen in Inexperienced Labor entwickelt, enthält „statische Einbettungen“. Dies bedeutet, dass das Modell die Einbettung für jedes Molekül bereits kennt, bevor es irgendeine Artwork von Analyse durchführt.

Das andere Modell, ChemProp, lernt während des Trainings eine Einbettung für jedes Molekül, gleichzeitig lernt es, die Merkmale der Einbettung mit einem Merkmal wie Löslichkeit zu verknüpfen. Dieses Modell, das in mehreren MIT -Labors entwickelt wurde, wurde bereits für Aufgaben wie Antibiotika -Entdeckung, Lipid -Nanopartikel -Design und Vorhersage der chemischen Reaktionsraten verwendet.

Die Forscher schulten beide Arten von Modellen an über 40.000 Datenpunkten aus BigSoldB, einschließlich Informationen über die Auswirkungen der Temperatur, was eine wichtige Rolle bei der Löslichkeit spielt. Dann testeten sie die Modelle auf etwa 1.000 gelösten gelösten Stoffe, die aus den Trainingsdaten zurückgehalten worden waren. Sie fanden heraus, dass die Vorhersagen der Modelle zwei- bis dreimal genauer waren als die von Solprop, dem vorherigen besten Modell, und die neuen Modelle waren besonders genau bei der Vorhersage von Variationen der Löslichkeit aufgrund der Temperatur.

„Es battle ein wirklich positives Zeichen dafür, dass das Netzwerk eine zugrunde liegende Lösungsvorhersagefunktion korrekt gelernt hatte, wenn das übergeordnete experimentelle Rauschen sehr groß ist, um diese kleinen Variationen der Löslichkeit aufgrund der Temperatur genau zu reproduzieren, selbst wenn das übergreifende experimentelle Rauschen sehr groß ist“, sagt Burns.

Genaue Vorhersagen

Die Forscher hatten erwartet, dass das auf ChemProp basierende Modell, das in der Lage ist, neue Darstellungen zu erlernen, wie es geht, genauere Vorhersagen treffen kann. Zu ihrer Überraschung stellten sie jedoch fest, dass die beiden Modelle im Wesentlichen gleich funktionierten. Dies deutet darauf hin, dass die Hauptbeschränkung ihrer Leistung die Qualität der Daten ist und dass die Modelle basierend auf den von ihnen verwendeten Daten theoretisch möglich sind, sagen die Forscher.

„ChemProp sollte immer jede statische Einbettung übertreffen, wenn Sie über ausreichende Daten verfügen“, sagt Burns. „Wir waren weggeblasen, um zu sehen, dass die statischen und gelehrten Einbettungen in allen verschiedenen Untergruppen statistisch nicht zu unterscheiden waren, was uns anzeigt, dass die in diesem Raum vorhandenen Datenbeschränkungen die Modellleistung dominiert haben.“

Die Modelle könnten genauer werden, sagen die Forscher, wenn bessere Schulungs- und Testdaten verfügbar wären – idealerweise Daten, die von einer Particular person oder einer Gruppe von Personen erhalten wurden, die alle geschult wurden, um die Experimente auf die gleiche Weise durchzuführen.

„Eine der großen Einschränkungen bei der Verwendung dieser Artwork von kompilierten Datensätzen besteht darin, dass verschiedene Labors unterschiedliche Methoden und experimentelle Bedingungen verwenden, wenn sie Löslichkeitstests durchführen. Dies trägt zu dieser Variabilität zwischen verschiedenen Datensätzen bei“, sagt Attia.

Da das auf FastProp basierende Modell seine Vorhersagen schneller macht und Code enthält, die für andere Benutzer leichter anpassen können, beschlossen die Forscher, diesen, der als Fastsolv bezeichnet wird, der Öffentlichkeit zur Verfügung zu stellen. Mehrere Pharmaunternehmen haben bereits begonnen, es zu verwenden.

„Es gibt Anwendungen in der gesamten Arzneimittelentdeckungspipeline“, sagt Burns. „Wir freuen uns auch, außerhalb der Formulierung und der Drogenentdeckung zu sehen, wo Menschen dieses Modell verwenden können.“

Die Forschung wurde teilweise vom US -Energieministerium finanziert.

Da Länder auf der ganzen Welt ein Wiederaufleben von Kernergieprojekten erleben, bleiben die Fragen, wo und wie man nuklearer Abfälle entsorgt wird, so politisch belastet wie nie zuvor. Die Vereinigten Staaten haben beispielsweise ihr einziges langfristiges unterirdisches Atomabfall-Repository auf unbestimmte Zeit eingestellt. Wissenschaftler verwenden sowohl Modellierungs- als auch experimentelle Methoden, um die Auswirkungen der Entsorgung unterirdischer Atomabfälle zu untersuchen, und hoffen letztendlich, dass sie das öffentliche Vertrauen in den Entscheidungsprozess aufbauen.

Neue Forschungen von Wissenschaftlern am MIT, Lawrence Berkeley Nationwide Lab und der College of Orléans machen Fortschritte in dieser Richtung. Die Studie zeigt, dass Simulationen von Wechselwirkungen zwischen unterirdischen Nuklearabfällen, die durch neue Hochleistungs-Komputier-Software program erzeugt wurden, intestine mit experimentellen Ergebnissen einer Forschungseinrichtung in der Schweiz ausgerichtet sind.

Die Studie, die von MIT PhD-Studentin Dauren Sarsenbayev und Assistenzprofessor Haruko Wainwright zusammen mit Christophe Tournassat und Carl Steeefel mitautorisiert wurde. erscheint in der Zeitschrift PNAs.

„Diese leistungsstarken neuen Computerwerkzeuge, verbunden mit realen Experimenten wie denjenigen auf dem Mont Terri-Forschungsort in der Schweiz, helfen uns zu verstehen, wie Radionuklide in gekoppelten Untergrundsystemen wandern werden“, sagt Sarsenbayev, der erster Autor der neuen Studie ist.

Die Autoren hoffen, dass die Forschung das Vertrauen der politischen Entscheidungsträger und der Öffentlichkeit in der langfristigen Sicherheit der Entsorgung unterirdischer Atomabfälle verbessern wird.

„Diese Forschung – die Kopplung sowohl Berechnung als auch Experimente – ist wichtig, um unser Vertrauen in Sicherheitsbewertungen von Abfällen zu verbessern“, sagt Wainwright. „Da sich die Kernenergie als wichtige Quelle für die Bekämpfung des Klimawandels und zur Gewährleistung der Energiesicherheit wieder auferlegt, ist es entscheidend, Entsorgungswege zu validieren.“

Vergleich von Simulationen mit Experimenten

Die Entsorgung von Atomabfällen in tief unterirdischen geologischen Formationen wird derzeit als die sicherste langfristige Lösung für die Behandlung von radioaktiven Abfällen auf hoher Ebene angesehen. Daher wurden viel Anstrengung in die Untersuchung des Migrationsverhaltens von Radionukliden aus Atomabfällen in verschiedenen natürlichen und konstruierten geologischen Materialien unternommen.

Seit seiner Gründung im Jahr 1996 conflict das Mont Terri-Forschungsgelände in der nördlichen Schweiz ein wichtiges Testbett für ein internationales Konsortium von Forschern, die sich für die Untersuchung von Materialien wie Opalinus-Ton interessieren-einen dicken, wasserdichten Tonstein in den Tunnelbereichen des Berges.

„Es gilt allgemein als eine der wertvollsten experimentellen Standorte in der Praxis, da es uns jahrzehntelange Datensätze rund um die Wechselwirkungen von Zement und Ton liefert, und dies sind die wichtigsten Materialien, die von Ländern auf der ganzen Welt für technische Barrieresysteme und geologische Repositories für Atomabfälle verwendet werden“, erklärt Sarsenbayev.

Für ihre Studie arbeiteten Sarsenbayev und Wainwright mit Co-Autoren Tournassat und Steeefel zusammen, die eine leistungsstarke Computersoftware entwickelt haben, um die Modellierung von Wechselwirkungen zwischen nuklearem Abfall und sowohl konstruierten als auch natürlichen Materialien zu verbessern.

Bisher haben mehrere Herausforderungen das Verständnis der Wissenschaftler, wie nuklearer Abfall mit Zement-Tonbarrieren reagiert. Zum einen bestehen die Barrieren aus unregelmäßig gemischten Materialien tief unter der Erde. Darüber hinaus berücksichtigen die vorhandene Klasse von Modellen, die üblicherweise zur Simulation von Radionuklid-Wechselwirkungen mit Zementschicht verwendet werden, elektrostatische Effekte nicht, die mit den negativ geladenen Tonmineralien in den Barrieren verbunden sind.

Die neue Software program von Tournassat und Steeefel berücksichtigt elektrostatische Effekte und macht sie die einzige, die diese Interaktionen im dreidimensionalen Raum simulieren kann. Die Software program namens Crunchoditi wurde aus der etablierten Software program entwickelt, die als Crunchflow bekannt ist und zuletzt in diesem Jahr aktualisiert wurde. Es ist so konzipiert, dass es auf vielen Hochleistungs-Computern gleichzeitig gleichzeitig betrieben werden kann.

Für die Studie untersuchten die Forscher ein 13-jähriges Experiment mit einem ersten Fokus auf Zement-Clay-Gesteins-Wechselwirkungen. In den letzten Jahren wurde dem Bohrloch in der Nähe des Zementes der in der Formation befindlichen Bohrloch eine Mischung sowohl negativ als auch positiv geladene Ionen hinzugefügt. Die Forscher konzentrierten sich auf eine 1-Zentimeter-dicke Zone zwischen den Radionukliden und dem Zement-Ton, der als „Haut“ bezeichnet wird. Sie verglichen ihre experimentellen Ergebnisse mit der Softwaresimulation und fanden die beiden Datensätze aus.

„Die Ergebnisse sind sehr wichtig, da diese Modelle zuvor nicht sehr intestine Felddaten passen würden“, sagt Sarsenbayev. „Es ist interessant, wie feines Maßstabphänomen am“ Haut „zwischen Zement und Ton, die physikalischen und chemischen Eigenschaften, deren sich im Laufe der Zeit ändert, verwendet werden, um die experimentellen und Simulationsdaten in Einklang zu bringen.“

Die experimentellen Ergebnisse zeigten, dass das Modell erfolgreich elektrostatische Effekte im Zusammenhang mit der Tonbildung und der Wechselwirkung zwischen Materialien in Mont Terri im Laufe der Zeit berücksichtigte.

„Dies alles wird von Jahrzehnten der Arbeit angetrieben, um zu verstehen, was an diesen Schnittstellen passiert“, sagt Sarsenbayev. „Es wurde angenommen, dass an dieser Grenzfläche mineralische Niederschläge und Porosität vorhanden sind, und unsere Ergebnisse deuten nachdrücklich darauf hin.“

„Diese Anwendung erfordert Millionen von Freiheitsgraden, da diese Multiberziersysteme eine hohe Auflösung und viel Rechenleistung erfordern“, sagt Sarsenbayev. „Diese Software program ist wirklich ideally suited für das Mont Terri -Experiment.“

Bewertung von Abfallentsorgungsplänen

Das neue Modell könnte nun ältere Modelle ersetzen, die zur Durchführung von Sicherheits- und Leistungsbewertungen von unterirdischen geologischen Repositorys verwendet wurden.

„Wenn die USA schließlich beschließen, Atomabfälle in einem geologischen Repository zu entsorgen, könnten diese Modelle die am besten geeigneten Materialien bestimmen“, sagt Sarsenbayev. „Zum Beispiel wird Ton jetzt als geeignetes Lagermaterial angesehen, aber Salzformationen sind ein weiteres potenzielles Medium, das verwendet werden könnte. Diese Modelle ermöglichen es uns, das Schicksal von Radionukliden über Jahrtausende zu erkennen. Wir können sie verwenden, um Interaktionen zu Zeitspannern zu verstehen, die von Monaten bis zu Jahren bis zu vielen Millionen Jahren variieren.“

Laut Sarsenbayev ist das Modell für andere Forscher vernünftigerweise zugänglich und zukünftige Bemühungen könnten sich auf die Verwendung von maschinellem Lernen konzentrieren, um weniger rechnerisch teure Ersatzmodelle zu entwickeln.

Weitere Daten aus dem Experiment werden später in diesem Monat verfügbar sein. Das Staff plant, diese Daten mit zusätzlichen Simulationen zu vergleichen.

„Unsere Mitarbeiter erhalten im Grunde genommen diesen Zement- und Tonblock und können Experimente durchführen, um die genaue Hautdicke zusammen mit allen an dieser Grenzfläche vorhandenen Mineralien und Prozessen zu bestimmen.“ Sarsenbayev sagt. „Es ist ein riesiges Projekt und es braucht Zeit, aber wir wollten die ersten Daten und diese Software program so schnell wie möglich teilen.“

Derzeit hoffen die Forscher, dass ihre Studie zu einer langfristigen Lösung zur Speicherung von Atomabfällen führt, die die politischen Entscheidungsträger und die Öffentlichkeit unterstützen können.

„Dies ist eine interdisziplinäre Studie, die Experimente der realen Welt umfasst, die zeigen, dass wir das Schicksal von Radionukliden im Untergrund vorhersagen können“, sagt Sarsenbayev. „Das Motto des Abteilung für Nuklearwissenschaften und -technik des MIT ist ‚Science. Systeme. Society.‘ Ich denke, das verschmilzt alle drei Domänen. “

Wenn Chemiker neue chemische Reaktionen entwerfen, beinhaltet eine nützliche Data den Übergangszustand der Reaktion – der Punkt ohne Rückkehr, aus dem eine Reaktion erfolgen muss.

Diese Informationen ermöglichen es Chemikern, zu versuchen, die richtigen Bedingungen zu erzeugen, die die gewünschte Reaktion ermöglichen. Die aktuellen Methoden zur Vorhersage des Übergangszustands und des Weges, den eine chemische Reaktion einnimmt, sind jedoch kompliziert und erfordern eine große Menge an Rechenleistung.

MIT-Forscher haben jetzt ein maschinelles Lernmodell entwickelt, das diese Vorhersagen in weniger als einer Sekunde mit hoher Genauigkeit treffen kann. Ihr Modell könnte es Chemikern erleichtern, chemische Reaktionen zu entwerfen, die eine Vielzahl nützlicher Verbindungen wie Arzneimittel oder Brennstoffe erzeugen.

„Wir möchten in der Lage sein, Prozesse letztendlich zu entwerfen, um reichlich natürliche Ressourcen zu erfassen und sie in Moleküle zu verwandeln, die wir benötigen, wie Materialien und therapeutische Medikamente. Die Computerchemie ist wirklich wichtig, um herauszufinden, wie nachhaltigeres Prozesse von Reaktanten zu Produkten gestaltet werden kann.

Der frühere MIT -Doktorand Chenru Duan PhD ’22, der jetzt im tiefen Prinzip ist; ehemaliger Studentin der Georgia Tech, Guan-Horng Liu, der jetzt bei Meta ist; und Doktorandin der Cornell College, Yuanqi DU, sind die Hauptautoren der Zeitung, die erscheint heute in Nature Machine Intelligence.

Bessere Schätzungen

Damit eine bestimmte chemische Reaktion auftritt, muss es einen Übergangszustand durchlaufen, der stattfindet, wenn es den Energieschwelle erreicht, der für die Reaktion erforderlich ist, um fortzufahren. Diese Übergangszustände sind so flüchtig, dass sie experimentell quick unmöglich sind, zu beobachten.

Various können Forscher die Strukturen von Übergangszuständen unter Verwendung von Techniken berechnen, die auf der Quantenchemie basieren. Dieser Prozess erfordert jedoch viel Rechenleistung und kann Stunden oder Tage dauern, um einen einzelnen Übergangszustand zu berechnen.

„Idealerweise möchten wir in der Lage sein, die Computerchemie zu verwenden, um nachhaltigere Prozesse zu entwickeln, aber diese Berechnung an sich ist eine enorme Nutzung von Energie und Ressourcen bei der Suche nach diesen Übergangszuständen“, sagt Kulik.

Im Jahr 2023, Kulik, Duan und andere gemeldet Auf einer maschinellen Lernstrategie, die sie entwickelten, um die Übergangszustände von Reaktionen vorherzusagen. Diese Strategie ist schneller als die Verwendung von Quantenchemie -Techniken, aber immer noch langsamer als das ideale, da das Modell etwa 40 Strukturen erzeugt und diese Vorhersagen durch ein „Konfidenzmodell“ durchführt, um vorherzusagen, welche Zustände am wahrscheinlichsten auftreten.

Ein Grund, warum dieses Modell so oft ausgeführt werden muss, ist, dass es zufällig generierte Vermutungen für den Ausgangspunkt der Übergangszustandsstruktur verwendet und dann Dutzende von Berechnungen durchführt, bis es seine endgültige, beste Vermutung erreicht. Diese zufällig erzeugten Ausgangspunkte sind möglicherweise weit vom tatsächlichen Übergangszustand entfernt, weshalb so viele Schritte erforderlich sind.

Das neue Modell der Forscher, React-OT, beschrieben in der Nature Machine Intelligence Papier verwendet eine andere Strategie. In dieser Arbeit schulten die Forscher ihr Modell aus, um von einer Schätzung des durch linearen Interpolation erzeugten Übergangszustands zu beginnen-eine Technik, die die Place jedes Atoms durch die Mitte seiner Place in den Reaktanten und in den Produkten im dreidimensionalen Raum schätzt.

„Eine lineare Vermutung ist ein guter Ausgangspunkt für die Annäherung, wo dieser Übergangszustand enden wird“, sagt Kulik. „Was das Modell tut, beginnt von einer viel besseren ersten Vermutung als nur eine völlig zufällige Vermutung, wie in der vorherigen Arbeit.“

Aus diesem Grund benötigt es das Modell weniger Schritte und weniger Zeit, um eine Vorhersage zu generieren. In der neuen Studie zeigten die Forscher, dass ihr Modell Vorhersagen mit nur etwa fünf Schritten machen könnte, was etwa 0,4 Sekunden dauert. Diese Vorhersagen müssen nicht durch ein Konfidenzmodell gefüttert werden, und sie sind etwa 25 Prozent genauer als die Vorhersagen, die vom Vorgängermodell erzeugt werden.

„Das macht React-OT-Modell wirklich zu einem praktischen Modell, das wir direkt in den vorhandenen Rechenworkflow in Hochdurchsatz-Screening integrieren können, um optimale Strukturen des Übergangszustands zu erzeugen“, sagt Duan.

„Eine breite Palette von Chemie“

Um React-OT zu erstellen, trainierten die Forscher es auf demselben Datensatz, mit dem sie ihr älteres Modell trainierten. Diese Daten enthalten Strukturen von Reaktanten, Produkten und Übergangszuständen, die unter Verwendung von Quantenchemie -Methoden für 9.000 verschiedene chemische Reaktionen berechnet werden, die hauptsächlich kleine organische oder anorganische Moleküle umfassten.

Nach der Ausbildung hat das Modell bei anderen Reaktionen aus diesem Satz intestine abgebildet, die aus den Trainingsdaten abgehalten worden waren. Bei anderen Arten von Reaktionen, auf die es nicht geschult worden warfare, warfare es auch intestine zu tun und konnte genaue Vorhersagen mit Reaktionen mit größeren Reaktanten treffen, die häufig Nebenketten haben, die nicht direkt an der Reaktion beteiligt waren.

„Dies ist wichtig, da es viele Polymerisationsreaktionen gibt, bei denen Sie eine große Makromolekül haben. Die Reaktion tritt jedoch in nur einem Teil auf. Ein Modell, das über verschiedene Systemgrößen hinweg verallgemeinert wird, bedeutet, dass sie eine breite Palette von Chemie angehen kann“, sagt Kulik.

Die Forscher arbeiten nun daran, das Modell so auszubilden, dass es Übergangszustände für Reaktionen zwischen Molekülen vorhersagen kann, die zusätzliche Elemente umfassen, darunter Schwefel, Phosphor, Chlor, Silizium und Lithium.

„Die schnelle Vorhersage des Übergangszustandsstrukturen ist der Schlüssel zu allen chemischen Verständnissen“, sagt Markus Reiher, Professor für theoretische Chemie bei ETH Zürich, der nicht an der Studie beteiligt warfare. „Der neue Ansatz, der in der Arbeit vorgestellt wird, könnte unsere Such- und Optimierungsprozesse sehr beschleunigen und uns schneller zu unserem Endergebnis bringen. Infolgedessen wird auch weniger Energie in diesen leistungsstarken Computerkampagnen verbraucht. Jeder Fortschritt, der diese Optimierung beschleunigt, profitiert allen Arten von chemischen Forschungen der Recheninformationen.“

Das MIT -Group hofft, dass andere Wissenschaftler ihren Ansatz bei der Gestaltung ihrer eigenen Reaktionen nutzen und eine geschaffen haben App zu diesem Zweck.

„Wann immer Sie ein Reaktant und ein Produkt haben, können Sie sie in das Modell einfügen und es erzeugt den Übergangszustand, aus dem Sie die Energiebarriere Ihrer beabsichtigten Reaktion schätzen und sehen können, wie wahrscheinlich es ist, dass es auftritt“, sagt Duan.

Die Forschung wurde vom Forschungsbüro der US -Armee, des US -amerikanischen Forschungsbüros, dem US Air Drive Workplace of Scientific Analysis, der Nationwide Science Basis und dem US Workplace of Naval Analysis finanziert.