尽管技术进步，早期的药物发现和开发仍然是一个耗时，困难且效率低下的过程，成功率较低。大阪大学的一个团队发现了一种解决复杂反应序列中低产率的可能解决方案，为成功地潜在治疗剂的高产率提供了概念验证研究。

在最近发表在《化学通讯》上的一项研究中，研究人员证明了使用机器学习技术来快速筛选复杂反应系列的实验条件的潜在药物制剂的生产。这种优化方法大大减少了传统方法所需的时间，材料和成本。

对于学术研究人员和工业研究人员而言，化学反应发展中必不可少的步骤都包括优化实验条件。传统上，这是通过更改一个参数并使其他参数保持不变来实现的，这是一个繁重而昂贵的过程。快速识别最佳参数的策略是机器学习，这是许多领域(包括药物发现)中使用的一种统计工具。

“在检查有机催化的Rauhut–Currier和[3 + 2]环化序列的步骤时，我们首先意识到，微混合流动系统可以抑制任何不希望的副反应，并提高所需的具有生物活性的螺并恶臭吲哚衍生物的产率，”该研究的高级作者Sasai Hiroaki。“然后，高斯过程回归(GPR)使我们能够快速筛选不同的参数，并探索适用于我们系统的最佳流动条件，以最大程度地提高产品产量。”

在许多生物活性分子和天然产物中发现的这些螺虫基吲哚基序已作为可能的抗病毒药物获得了相当大的研究兴趣。与其他药物一样，制备螺硫辛醇会导致混合物包含具有不同化学特性(例如，药物活性与无活性)的相同分子(对映异构体)的镜像变体-棘手的部分是优先使所需变体的产量最大化药物活性。到目前为止，用螺菌毒素实现这一壮举的一种简化方法仍然遥不可及。

尽管高效反应序列复杂，选择性高且具有特异性，但研究人员还是使用微混合器流动系统建立了反应，尽管收率高达49%。然后使用来自GPR的优化参数，他们在一分钟内获得了具有三个连续手性中心的螺并吲​​哚衍生物，其收率高达89%，纯度达到所需镜像变体的98%。

主要作者Masaru Kondo解释说：“在开发新的反应而不进行彻底的反应优化时，预测改变每个实验参数的效果具有挑战性。” “但是，将GPR这样的工具与流动系统中的新合成方法相结合，可以简化和简化其他复杂分子的药物开发过程，从而降低成本，时间和材料浪费。”