თითქმის ავტონომიური AI-ქიმიკოსი აუმჯობესებს რთულ რეაქციას სამედიცინო ქიმიაში

OpenAI-ის საქმიანობა მეცნიერების სფეროში განპირობებულია მარტივი რწმენით: მოწინავე ხელოვნური ინტელექტი შეიძლება გახდეს მეცნიერების ძლიერი პარტნიორი, რომელიც მათ დაეხმარება მეტი იდეის კვლევაში, ერთმანეთისგან დაშორებული კონცეფციების დაკავშირებაში, უკეთესი ექსპერიმენტების დაგეგმვასა და იმ აღმოჩენების დაჩქარებაში, რომლებიც კაცობრიობას მოუტანს სარგებელს. ჩვენ უკვე გავაზიარეთ იმის ადრეული მაგალითები, თუ როგორ შეიტანეს მოდელებმა წვლილი ახალი შედეგების მიღწევაში მათემატიკაში, მათ შორის ერთეულოვანი მანძილის პრობლემაზე⁠ მუშაობისას, თეორიულ ფიზიკაში — გლუონური ამპლიტუდების⁠ შესახებ ახალი შედეგის მეშვეობით, და ბიოლოგიაში, სადაც GPT‑5 დაეხმარა უჯრედგარეშე ცილის სინთეზის ღირებულების შემცირებაში⁠ ავტომატიზებულ ლაბორატორიაში. ასევე წარვადგინეთ GPT‑Rosalind⁠, სპეციალურად შექმნილი მოდელი, რომელიც მხარს უჭერს სიცოცხლის შემსწავლელი მეცნიერებების კვლევისა და წამლების აღმოჩენის სამუშაო პროცესებს. 

ეს პროექტი ამ მიმართულებას სამკურნალო ქიმიის სფეროზე განავრცობს, სადაც პროგრესის გაზომვა მხოლოდ მსჯელობით შეუძლებელია. ჰიპოთეზამ უნდა იმუშაოს ლაბორატორიაში — რეალურ მოლეკულებთან, ხელსაწყოებთან და ექსპერიმენტულ ცდომილებებთან ერთად. Molecule.one⁠(იხსნება ახალ ფანჯარაში)-თან თანამშრომლობით, ჩვენ GPT‑5.4 დავაკავშირეთ Maria-სთან — აგენტური ქიმიის AI-სთან, რომელიც ინტეგრირებულია მაღალი მწარმოებლურობის ლაბორატორიასთან ავტონომიური კვლევისთვის — და მივეცით მას ღია ამოცანა: გაეუმჯობესებინა რამდენიმე მნიშვნელოვანი კლასის რეაქციიდან ერთ-ერთი. სისტემამ შექმნა კვლევითი წინადადებები, დაგეგმა და ჩაატარა ექსპერიმენტები, გააანალიზა ექსპერიმენტული მონაცემები და შემდგომი ექსპერიმენტები შესთავაზა. ადამიანები პროცესში ჩართულნი რჩებოდნენ მართვისა და შეფასების მოთხოვნების შემუშავებით და შესამოწმებელი შეთავაზებების შერჩევით. მათ ასევე შეიტანეს მცირე შესწორებები ექსპერიმენტულ გეგმებში, დაეხმარნენ ძირითადი ლაბორატორიული ოპერაციების შესრულებაში და დამოუკიდებლად დაადასტურეს საბოლოო შედეგი.

ყველაზე პერსპექტიული წინადადება, OAI-M1-03, ჩან–ლამის დაწყვილების რთულ, მაგრამ სასარგებლო ვერსიაზე იყო ორიენტირებული — რეაქციაზე, რომელსაც ქიმიკოსები ნახშირბად-აზოტის ბმების წარმოსაქმნელად იყენებენ. ტექნოლოგიური ქიმიისთვის ჩან-ლამის შეწყვილების რეაქციის გაუმჯობესების ზოგადი მიზნით დაწყებული მუშაობისას, GPT‑5.4‑მა დამოუკიდებლად გამოყო პირველადი სულფონამიდები, როგორც რთული და მაღალი ღირებულების მქონე სუბსტრატების კლასი, და წამოაყენა იდეა, რომ რბილ ოქსიდანტებს, მათ შორის TEMPO-ს, შეეძლო რეაქციის გაუმჯობესება. 

ორი ექსპერიმენტული ციკლის განმავლობაში Maria Lab-ში ამ იდეამ მნიშვნელოვანი გაუმჯობესება მოიტანა. ოპტიმიზებულ პირობებში, გაზომილი გამოსავლიანობა გაუმჯობესდა ტესტირებული ბორის მჟავების 88%-ისთვის და სულფონამიდების 83%-ისთვის. საშუალო გამოსავლიანობა 16.6%-დან 25.2%-მდე გაიზარდა, ხოლო იმ რეაქციების წილი, რომელთა გამოსავლიანობა 30%-ზე მეტია, 15.6%-დან 37.5%-მდე გაიზარდა. შემდეგ ადამიანმა ქიმიკოსებმა წარმომადგენლობითი რეაქციები ლაბორატორიულ მასშტაბში გაიმეორეს. ამ ექსპერიმენტებმა დაადასტურა მიკროლიტრულ მასშტაბზე მიღებული შედეგები: 14 სუბსტრატული წყვილიდან 11-ის შემთხვევაში გამოვლინდა უფრო მაღალი გამოსავლიანობა, უმეტეს შემთხვევაში კი — ორჯერადზე მეტი ზრდა. ეს მნიშვნელოვანია, რადგან სამედიცინო ქიმიის სპეციალისტებს სჭირდებათ ისეთი რეაქციები, რომლებიც მუშაობს არა მხოლოდ მიკროლიტრულ სკრინინგის ექსპერიმენტებში, არამედ პრაქტიკულ ლაბორატორიულ სამუშაო პროცესებშიც, რომლებიც წამლების აღმოჩენის პროცესში გამოიყენება.

სამედიცინო ქიმიის ამ მიმართულებაში მიღწეული გაუმჯობესებები განსაკუთრებით საინტერესოა, რადგან სინთეზი ხშირად წამლების აღმოჩენის პროცესში მთავარი შემაფერხებელი ფაქტორია: მეცნიერებს შეუძლიათ გამოსცადონ მხოლოდ ის მოლეკულები, რომელთა შექმნაც შეუძლიათ ან რომლებსაც სხვაგვარად მოიპოვებენ. სულფონამიდური ჯგუფი გვხვდება მედიკამენტებში თერაპიული სფეროების ფართო სპექტრში, მათ შორის კიბოს საწინააღმდეგო პრეპარატებში, ანტიმიკრობულ საშუალებებსა და დიურეტიკებში, თუმცა პირველადი სულფონამიდების Chan–Lam-ის შეწყვილება ბორონის მჟავებთან ისტორიულად დაბალი გამოსავლიანობით ხასიათდებოდა. რეაქციის ამ ფორმის უფრო საიმედო გახდომა სამკურნალო ქიმიკოსებს მისცემს უფრო ფართო და პრაქტიკულ საშუალებას პოტენციურად სასარგებლო მოლეკულების წარმოებისა და შესწავლისთვის.

მიუხედავად იმისა, რომ ეს ჯერ კიდევ ადრეული შედეგია, იგი წარმოადგენს კიდევ ერთ კონკრეტულ მაგალითს იმ უფრო ფართო მიმართულებისა, რომელზეც ჩვენ ვმუშაობთ: ხელოვნური ინტელექტის სისტემები, რომლებიც შეიძლება გახდნენ მეცნიერების ღირებული პარტნიორები კვლევითი ციკლის თითქმის ყველა ეტაპზე. მოდელმა მიმოიხილა სამეცნიერო ლიტერატურა, წამოაყენა მოულოდნელი იდეა, დაეხმარა ექსპერიმენტების დაგეგმვასა და ანალიზში და მივიდა სამეცნიერო მიგნებამდე, რომლის შეფასებაც ადამიან ქიმიკოსებს შეეძლოთ.

ორგანული ქიმია საფუძვლად უდევს ყველა მცირემოლეკულურ მედიკამენტს, ისევე როგორც პროდუქტებს სოფლის მეურნეობაში, ელექტრონიკასა და მასალათმცოდნეობაში. რეაქცია განსაკუთრებით სასარგებლოა მაშინ, როდესაც მას შეუძლია ერთი და იმავე ტიპის ქიმიური ბმის საიმედოდ წარმოქმნა მრავალი სხვადასხვა საწყისი ნივთიერების შემთხვევაში. როდესაც რეაქციები დაბალ გამოსავლიანობას ან ძალიან ბევრ არასასურველ გვერდით პროდუქტს იძლევა, ქიმიკოსებს შეიძლება მოუწიოთ სხვა შემთხვევაში პერსპექტიულ მოლეკულებზე უარის თქმა ან მნიშვნელოვანი დროის დახარჯვა სხვა სინთეზური გზის შემუშავებაზე. ეს სინთეზს წამლების აღმოჩენის პროცესში მნიშვნელოვან შემაფერხებელ ფაქტორად აქცევს: მეცნიერებს როგორც წესი მხოლოდ იმ მოლეკულების ტესტირება შეუძლიათ, რომელთა შექმნა ან სხვაგვარად მოპოვებაც შეუძლიათ.

ჩან–ლამის შეწყვილების რეაქცია სასარგებლოა სამედიცინო ქიმიაში, რადგან ის წარმოქმნის ნახშირბად-აზოტის ბმებს, რომლებიც ხშირია მედიკამენტებში. თუმცა ეს რეაქცია მოლეკულების ყველა კლასისთვის ერთნაირად კარგად არ მუშაობს. კერძოდ პირველადი სულფონამიდების ბორონის მჟავებთან დაწყვილება ისტორიულად დაბალ გამოსავლიანობას იძლეოდა. სულფონამიდები მოლეკულების მნიშვნელოვანი ოჯახია, რომელიც გვხვდება ონკოლოგიასა და ინფექციური დაავადებების მკურნალობაში გამოყენებულ მედიკამენტებში. ამ რეაქციის სანდოობის გაზრდამ შესაძლოა სამედიცინო ქიმიკოსებს მისცეს უფრო ფართო და პრაქტიკული შესაძლებლობა პოტენციურად სასარგებლო მოლეკულების მისაღებად და გამოსაკვლევად.

კომბინირებულმა სისტემამ დააწყვილა ურთიერთშემავსებელი შესაძლებლობები. Maria AI-სთან მომუშავე მეცნიერების მიერ დაწერილი მოთხოვნები GPT‑5.4‑ში გამოყენებულ იქნა სპეციალურ გარემოში ათასობით შესაძლო კვლევითი წინადადების გენერირებისა და რანჟირებისთვის. ადამიანმა ქიმიკოსებმა განიხილეს იმ შემოთავაზებების მცირე ქვეჯგუფი, რომლებსაც სისტემის მიხედვით ყველაზე მაღალი რეიტინგი ჰქონდათ, და ლაბორატორიული ტესტირებისთვის ოთხი მათგანი შეარჩიეს. Maria AI-მ შემდეგ შერჩეული მაღალი დონის გეგმები დეტალურ ლაბორატორიულ ინსტრუქციებად გარდაქმნა, ჩაატარა 1 000-ზე მეტი მაღალი გამტარიანობის ექსპერიმენტი, გააანალიზა ნედლი მონაცემები და სტრუქტურირებული შედეგები დაუბრუნა GPT‑5.4‑ს. 

ოთხი შერჩეული წინადადებიდან ერთ-ერთმა, OAI-M1-03-მა, შემოგვთავაზა რბილი მჟანგავების, როგორიცაა TEMPO, გამოყენება სულფონამიდის სინთეზისთვის Chan-Lam-ის რეაქციის ეფექტიანობის გასაუმჯობესებლად. ქიმიკოსებმა ეს წინადადება როგორც მოულოდნელად, ასევე საინტერესოდ მიიჩნიეს. OAI-M1-03-ის დეტალურ შედეგებს ამ ბლოგ პოსტსა და ნაშრომში⁠(იხსნება ახალ ფანჯარაში) ვაზიარებთ.

საბოლოო კვლევითი წინადადება შემდგომში გამოყენებულ იქნა Maria-ს მიერ ექსპერიმენტული ბადეების შესაქმნელად, ადამიანების მიერ მცირედი კორექტივების შეტანით. ყველაზე დიდი ადამიანური შესწორება იყო დიმეთილ სულფოქსიდის, ანუ DMSO-ს, გამხსნელად გამოყენების თავიდან აცილება, რადგან ქიმიკოსებს აწუხებდათ, რომ ის შეიძლებოდა რეაქციაში შესულიყო შედარებისთვის გამოყენებულ უფრო ძლიერ ოქსიდანტებთან.

სრული პროცესი სამი თვე გაგრძელდა: 04.03 პირველი მოთხოვნიდან 04.06 OAI-M1-03-ის შედეგების დამოუკიდებელ ექსპერტებთან გაზიარებამდე.

ამ სამუშაო პროცესს აღვწერთ როგორც თითქმის ავტონომიურს და არა სრულად ავტონომიურს, რადგან მთელი პროცესის განმავლობაში მნიშვნელოვან გადაწყვეტილებებს კვლავ ადამიანები ქიმიკოსები იღებდნენ. მოდელმა წამოაყენა ძირითადი კვლევითი იდეები, მაშინ როცა ადამიანმა ქიმიკოსებმა უზრუნველყვეს მაღალი დონის მიმართულება და განსჯა, შეასწორეს ექსპერიმენტული დეტალები, დაეხმარნენ ლაბორატორიული სახარჯი მასალებისა და რეაგენტების მომზადებაში და ძირითადი ექსპერიმენტები ხელით გაიმეორეს.

OAI-M1-03-მა დაადგინა, რომ TEMPO არის სასარგებლო დანამატი აქ შესწავლილი პირველადი სულფონამიდის Chan-Lam-ის შეწყვილების რეაქციისთვის. ოპტიმიზებულ პირობებში რეაქცია ორი მიმართულებით გაუმჯობესდა: საშუალო გამოსავლიანობა გაიზარდა და სუბსტრატების უფრო მეტმა კომბინაციამ მიაღწია პრაქტიკულად გამოსადეგ გამოსავალს.

ორი ციკლის განმავლობაში Maria-მ ჯამში 10,080 რეაქცია ჩაატარა – იმაზე მეტი, ვიდრე ქიმიკოსი, რომელიც ყოველდღე სამ რეაქციას ატარებს, ათი წლის განმავლობაში ჩაატარებდა. ამ მასშტაბს დიდი მნიშვნელობა ჰქონდა, რადგან ქიმიაში მიღებული შედეგები შესაძლოა შეცდომაში შემყვანი აღმოჩნდეს, როდესაც მათ მხოლოდ რამდენიმე მაგალითზე ტესტავენ. რეაქცია შეიძლება პერსპექტიულად გამოიყურებოდეს საწყისი ნივთიერებების ერთ წყვილზე, მაგრამ მოლეკულების უფრო ფართო ნაკრებზე წარუმატებელი აღმოჩნდეს. ათასობით რეაქციამ შესაძლებელი გახადა ათი გამოცდილი ოქსიდანტიდან TEMPO-ის გამორჩევა, სხვადასხვა კომბინაციაში ეფექტის განმეორების დანახვა და მისი შეზღუდვების დადგენა.

მონაცემთა პირველი რაუნდის ანალიზის შემდეგ, სისტემამ შემოგვთავაზა ექსპერიმენტების უფრო ფოკუსირებული მეორე რაუნდი შემდგომი ჰიპოთეზების შესამოწმებლად. ერთ-ერთი სასარგებლო შემდგომი მიგნება იყო ის, რომ TEMPO შეიძლება ჩანაცვლებულიყო ბევრად უფრო იაფი ანალოგით, 4-ჰიდროქსი-TEMPO-ით, ეფექტიანობის მხოლოდ მცირე დანაკარგით.

შედეგი ასევე ძალაში დარჩა Maria Lab-ის მიკროლიტრის მასშტაბის სკრინინგის ფორმატის ფარგლებს მიღმაც. ადამიანმა ქიმიკოსებმა წარმომადგენლობითი რეაქციები ხელით, ლაბორატორიულ მასშტაბში გაიმეორეს და 14 სუბსტრატის წყვილიდან 11-ში გამოსავლიანობის ზრდა დააფიქსირეს; რვა წყვილის შემთხვევაში კი ზრდა ორჯერ და კიდევ უფრო მეტი იყო. ამ რეპლიკაციას დიდი მნიშვნელობა აქვს, რადგან ძალიან მცირე მასშტაბის ექსპერიმენტებმა ზოგჯერ შესაძლოა წარმოქმნას არტეფაქტები, რომლებიც უფრო დიდ მასშტაბზე გადასვლისას ქრება. კვლევის სამეცნიერო ჟურნალში გამოქვეყნებამდე ლაბორატორიული მასშტაბის დამოწმებაც მიღებული პრაქტიკაა.

ქიმიის ოთხმა გარე ექსპერტმა განიხილა სამეცნიერო პუბლიკაციის წინასწარი ვერსია, რომელშიც აღწერილია OAI-M1-03. მათმა შეფასებებმა გაამყარა ჩვენი მოსაზრება, რომ შედეგი სიახლეს წარმოადგენდა და ღირდა მისი სამეცნიერო საზოგადოებისთვის გაზიარება. შემდეგი ნაბიჯი უფრო სერიოზული გამოცდა იქნება: შეძლებენ თუ არა დამოუკიდებელი ლაბორატორიები ამ შედეგის რეპროდუცირებას და მიიჩნევენ თუ არა ქიმიკოსები მას გამოსადეგად მოლეკულების უფრო ფართო სპექტრისთვის.

GPT‑5.4‑ის მიერ გენერირებული და Maria -ს მიერ სამთვიანი პერიოდის განმავლობაში შემოწმებული დანარჩენი სამი წინადადებიდან, OAI-M1-02 და OAI-M1-04 ექსპერიმენტულად დადასტურდა Maria Lab-ში, ხოლო OAI-M1-01 უარყოფილ იქნა. ამ შედეგების ანალიზი მიმდინარეობს.

ეს ნაშრომი აჩვენებს, რომ მოდელს შეუძლია სასარგებლო წვლილი შეიტანოს ორგანულ ქიმიაში. მან ლიტერატურის შეჯამებაზე ან ერთჯერადი ექსპერიმენტის შეთავაზებაზე მეტი გააკეთა: კონკრეტული, მოულოდნელი ჰიპოთეზა წამოაყენა და ადამიანების განხილვისთვის წარადგინა, ექსპერიმენტები დაგეგმა, ექსპერიმენტული მონაცემები განმარტა და შემდგომი ექსპერიმენტები დაგეგმა.

ეს არ ამტკიცებს, რომ ხელოვნურ ინტელექტს შეუძლია დამოუკიდებლად, თავიდან ბოლომდე წარმართოს ქიმიის კვლევითი პროგრამა. ადამიანის ექსპერტული ცოდნა კვლავ არსებითი იყო, ხოლო სამუშაო პროცესი სპეციალიზებულ, მაღალი გამტარიანობის ინფრასტრუქტურაზე იყო დამოკიდებული. ეს ასევე არ ამტკიცებს, რომ აღნიშნული მეთოდი განზოგადდება სხვა შეწყვილების რეაქციებზე, სუბსტრატების სხვა კლასებზე ან წარმოების პირობებზე.

გამოსავლიანობის შეფასებები მიღებულია მაღალი გამავლობის პლატფორმიდან, ხოლო ლაბორატორიულმა ვალიდაციამ მოიცვა 14 წარმომადგენლობითი სუბსტრატის წყვილი. დამატებითი მუშაობაა საჭირო რეაქციის მექანიზმის დასახასიათებლად, სუბსტრატების მოქმედების არეალის განსაზღვრისთვის,სხვადასხვა ლაბორატორიულ პირობებში ეფექტურობის გასაზომად და შედეგის დამოუკიდებლად რეპროდუცირებისთვის.

ქიმიის სფეროში არსებული შესაძლებლობები ფრთხილ მოპყრობას მოითხოვს, რადგან იმავე ინსტრუმენტების არასათანადოდ გამოყენებაც არის შესაძლებელი, რომლებსაც მედიცინისა და მასალათმცოდნეობის მხარდაჭერა შეუძლიათ. ჩვენ განზრახ შემოვფარგლეთ ეს სამუშაო სამედიცინო ქიმიის ლეგიტიმურ პრობლემაზე: ცნობილი დაწყვილების რეაქციის გაუმჯობესებაზე, რომელიც გამოიყენება წამლისმაგვარი მოლეკულების შესაქმნელად. ექსპერიმენტები არ მოიცავდა ტოქსინებს, ქიმიურ იარაღს ან მავნე ნაერთების შექმნის მოთხოვნებს. ეს შედეგები არ უნდა იქნას მიჩნეული იმის მტკიცებულებად, რომ სისტემას შეუძლია ხელი შეუწყოს აღნიშნულ მავნე გამოყენებებს. პროექტს ეს არ შეუმოწმებია და არც მისი დემონსტრირება მოუხდენია.

ჩვენი მზაობის ჩარჩოს⁠ მეშვეობით, ჩვენ ვაფასებთ და ვამცირებთ მოწინავე მოდელების შესაძლებლობებიდან გამომდინარე განვითარებად რისკებს, მათ შორის ქიმიურ და ბიოლოგიურ სფეროებთან დაკავშირებულ საფრთხეებს. ამ ნაშრომში გამოყენებულმა მოდელმა უკვე გაიარა შესაბამისი შეფასებები გაერთიანებული სამეფოს ხელოვნური ინტელექტის უსაფრთხოების ინსტიტუტთან, და სისტემა შექმნილი იყო იმგვარად, რომ უარი ეთქვა მავნე მიზნებზე ორიენტირებულ მოთხოვნებზე. ექსპერიმენტულმა სამუშაო პროცესმა კონტროლის კიდევ ერთი შრე დაამატა: ადამიანი ქიმიკოსები არჩევდნენ, რომელი შემოთავაზებები გადავიდოდა ლაბორატორიულ ეტაპზე, განიხილავდნენ ექსპერიმენტულ გეგმებს და ინარჩუნებდნენ კონტროლს ფიზიკურ ინფრასტრუქტურაზე.

ჩვენ ვთვლით, რომ AI-ის პოტენციალის პასუხისმგებლიანი შესწავლა ექსპერიმენტულ ქიმიაში გულისხმობს პრობლემის სივრცის არჩევას, რომელსაც აქვს მკაფიო სამეცნიერო მნიშვნელობა, მოდელის დონეზე დაცვითი მექანიზმების კომბინირებას ექსპერტული ზედამხედველობისთან და სისტემის შეფასებას შეზღუდული ფიზიკური ექსპერიმენტების მეშვეობით. ამ შესაძლებლობების გაუმჯობესებასთან ერთად, ჩვენ გავაგრძელებთ წარმოქმნილი რისკების შეფასებას, დამცავი მექანიზმების გაძლიერებას და კონკრეტულად განვმარტავთ, თუ რას გულისხმობს შედეგი და რას — არა.

უახლოესი ნაბიჯები სამეცნიერო ხასიათისაა: საწყისი მასალების უფრო ფართო სპექტრის შემოწმება, იმის გამოკვლევა, რატომ აუმჯობესებს დანამატები რეაქციას, ეფექტის მოქმედების და არამოქმედების ადგილების დადგენა, და დამოუკიდებელი რეპლიკაციის მხარდაჭერა. ერთობლივად, ეს კვლევები განსაზღვრავს, რამდენად ფართოდ შეიძლება ამ მეთოდის გამოყენება და რამდენად სასარგებლოა ის სამედიცინო ქიმიის პრაქტიკულ სამუშაო პროცესებში.

ჩვენი გრძელვადიანი მიზანია, ხელოვნური ინტელექტის სისტემები ვაქციოთ სანდო სამეცნიერო პარტნიორებად, რომლებიც მკვლევრებს დაეხმარებიან ჰიპოთეზების გენერირებაში, ექსპერიმენტების დაგეგმვაში, შედეგების ინტერპრეტაციაში და იმის გადაწყვეტაში, თუ რა შეამოწმონ შემდეგ, ამავდროულად კი დაეფუძნებიან ექსპერტულ შეფასებას, სანდო გაზომვებსა და უსაფრთხოების მტკიცე მექანიზმებს. ორგანული ქიმია განსაკუთრებით მაღალი ზემოქმედების მქონე სფეროა, რადგან მცირე მოლეკულების აღმოჩენასა და წარმოებაში პროგრესი დამოკიდებულია მოლეკულების საიმედოდ სინთეზირების შესაძლებლობაზე. მეცნიერებს შეუძლიათ გამოსცადონ მხოლოდ ის მოლეკულები, რომელთა შექმნაც შეუძლიათ, ხოლო გაუმჯობესებულ სინთეზს შეუძლია გააფართოოს იმ იდეების სპექტრი, რომელთა შესწავლაც მათ შეუძლიათ მედიცინაში, სოფლის მეურნეობაში, ელექტრონიკაში, ენერგეტიკასა და მასალათმცოდნეობაში. ეს შედეგი არის იმ უფრო ფართო მიმართულების ერთ-ერთი ადრეული მაგალითი, სადაც მოწინავე მოდელი, სპეციალიზებული აგენტები, ავტომატიზებული ლაბორატორია და ადამიანები ქიმიკოსები ერთობლივად მუშაობენ კვლევითი ციკლის დასაჩქარებლად და ისეთი მიგნებების მისაღებად, რომელთა შეფასებას, რეპროდუცირებასა და შემდგომ განვითარებას სამეცნიერო საზოგადოება შეძლებს.

მადლობას ვუხდით Molecule.one-ის გუნდს და დამოუკიდებელ ქიმიკოსებს, რომლებმაც ეს ნაშრომი შეაფასეს.