जवळजवळ स्वायत्त असलेल्या एका AI रसायनशास्त्रज्ञाने औषधीय रसायनशास्त्रातील एक आव्हानात्मक अभिक्रिया सुधारली आहे

विज्ञानातील OpenAI चे कार्य एका साध्या विश्वासाने प्रेरित आहे: प्रगत AI शास्त्रज्ञांसाठी एक प्रभावी भागीदार ठरू शकते, ज्यामुळे त्यांना अधिक कल्पना तपासता येतात, परस्परांपासून दूर असलेल्या संकल्पना जोडता येतात, अधिक चांगले प्रयोग डिझाइन करता येतात आणि मानवजातीला लाभदायक ठरणारे शोध जलदगतीने लावता येतात. आम्ही गणितात अभिनव निष्कर्षांमध्ये योगदान देणाऱ्या मॉडेल्सची प्रारंभिक उदाहरणे आधीच शेअर केली आहेत, ज्यात एकक अंतर समस्या⁠ यावरील काम, सैद्धांतिक भौतिकशास्त्रात ग्लूऑन अँप्लिट्यूड्स⁠ यावरील नवीन निष्कर्षाद्वारे झालेले योगदान, आणि जीवशास्त्रात स्वयंचलित प्रयोगशाळेत GPT‑5 ने कोशिका-मुक्त प्रथिन संश्लेषणाचा खर्च कमी करण्यास⁠ केलेली मदत यांचा समावेश आहे. आम्ही जीवन विज्ञान संशोधन आणि औषध शोध कार्यप्रवाहांना समर्थन देण्यासाठी खास तयार केलेले GPT‑Rosalind⁠ हे मॉडेल देखील सादर केले. 

हा प्रकल्प त्या दिशेला औषधी रसायनशास्त्रात विस्तारित करतो, जिथे प्रगती केवळ रीझनिंगने मोजता येत नाही. गृहितकाने प्रयोगशाळेत प्रत्यक्ष रेणू, उपकरणे आणि प्रायोगिक गोंधळ यांच्यासहही कार्य केले पाहिजे. Molecule.one⁠(नवीन विंडोमध्ये उघडेल) सोबत काम करताना, आम्ही GPT‑5.4 ला Maria शी जोडले—स्वायत्त संशोधनासाठी उच्च-थ्रुपुट प्रयोगशाळेशी एकात्मिक केलेली एक एजेंटिक रसायनशास्त्र AI—आणि त्याला एक मुक्त स्वरूपाचे उद्दिष्ट दिले: अनेक महत्त्वाच्या अभिक्रिया वर्गांपैकी एक सुधारण्याचे. प्रणालीने संशोधन प्रस्ताव तयार केले, प्रयोगांची रचना करून ते चालवले, प्रायोगिक डेटाचे विश्लेषण केले आणि पुढील प्रयोग सुचवले. दिशादर्शक आणि मूल्यांकन प्रॉम्प्ट तयार करून आणि चाचणीसाठी प्रस्ताव निवडून मानव प्रक्रियेत सहभागी राहिले. त्यांनी प्रायोगिक योजनांमध्ये मर्यादित दुरुस्त्यादेखील केल्या, मूलभूत प्रयोगशाळा कामकाजात मदत केली आणि अंतिम परिणामाची स्वतंत्रपणे पडताळणी केली.

सर्वात आशादायक प्रस्ताव, OAI-M1-03, चॅन-लॅम कपलिंगच्या एका अवघड पण उपयुक्त प्रकारावर केंद्रित होता; ही एक अशी अभिक्रिया आहे जी रसायनशास्त्रज्ञ कार्बन-नायट्रोजन बंध तयार करण्यासाठी वापरतात. प्रक्रिया रसायनशास्त्रासाठी चॅन-लॅम कपलिंग सुधारण्याच्या खुल्या ध्येयापासून सुरुवात करून, GPT‑5.4 ने स्वतंत्रपणे प्राथमिक सल्फोनामाइड्सना एक आव्हानात्मक, उच्च-मूल्याचा सबस्ट्रेट वर्ग म्हणून ओळखले आणि असे सुचवले की TEMPO सह सौम्य ऑक्सिडायझर्स ही अभिक्रिया सुधारू शकतात. 

मारिया लॅबमधील प्रयोगांच्या दोन फेऱ्यांमध्ये त्या कल्पनेमुळे लक्षणीय सुधारणा झाली. अनुकूलित परिस्थितीत, चाचणी केलेल्या 88% बोरोनिक ॲसिड आणि 83% सल्फोनामाइड्ससाठी मोजलेले उत्पादन वाढले. सरासरी उत्पादन 16.6% वरून 25.2% पर्यंत वाढले, आणि 30% पेक्षा जास्त उत्पादन देणाऱ्या अभिक्रियांचा वाटा 15.6% वरून 37.5% पर्यंत वाढला. त्यानंतर मानवी रसायनशास्त्रज्ञांनी बेंच स्केलवर प्रातिनिधिक अभिक्रियांची पुनरावृत्ती केली. त्या प्रयोगांनी मायक्रोलिटर-स्केलच्या निकालांची पुष्टी केली, ज्यात 14 पैकी 11 सबस्ट्रेट जोड्यांसाठी जास्त उत्पादन दिसून आले, आणि बहुतेक प्रकरणांमध्ये दुप्पटीहून अधिक वाढ झाली. हे महत्त्वाचे आहे कारण औषधी रसायनशास्त्रज्ञांना अशा अभिक्रियांची आवश्यकता असते ज्या केवळ मायक्रोलिटर स्क्रीनिंग प्रयोगांमध्येच नव्हे, तर औषध शोधादरम्यान वापरल्या जाणाऱ्या व्यावहारिक प्रयोगशाळा कार्यप्रवाहांमध्येही काम करतील

औषधी रसायनशास्त्राच्या या क्षेत्रातील सुधारणा विशेषतः उत्साहवर्धक आहेत, कारण औषध शोधात संश्लेषण हा अनेकदा एक मोठा अडथळा ठरतो: शास्त्रज्ञ केवळ तेच रेणू तपासू शकतात जे ते स्वतः तयार करू शकतात किंवा इतर मार्गांनी मिळवू शकतात. सल्फोनामाइड गट कर्करोगविरोधी औषधे, सूक्ष्मजीवविरोधी आणि मूत्रवर्धकांसह विविध उपचार क्षेत्रांतील औषधांमध्ये आढळतो, तरीही प्राथमिक सल्फोनामाइड्सचे बोरॉनिक आम्लांसोबत होणाऱ्या Chan–Lam कपलिंगमधून ऐतिहासिकदृष्ट्या कमी उत्पादन मिळाले आहे. या अभिक्रियेच्या स्वरूपाला अधिक विश्वसनीय बनवल्यास औषधी रसायनशास्त्रज्ञांना संभाव्य उपयुक्त रेणू तयार करण्यासाठी आणि त्यांचे अन्वेषण करण्यासाठी एक व्यापक आणि अधिक व्यावहारिक मार्ग मिळू शकेल.

जरी हा अजून प्राथमिक निष्कर्ष असला तरी, आम्ही ज्या व्यापक दिशेने काम करत आहोत त्याचे हे आणखी एक ठोस उदाहरण आहे: अशा AI प्रणाली ज्या संशोधन प्रक्रियेच्या बहुतांश टप्प्यांवर शास्त्रज्ञांसाठी मौल्यवान भागीदार बनू शकतील. या मॉडेलने उपलब्ध साहित्याचा आढावा घेतला, एक अनपेक्षित कल्पना मांडली, प्रयोगांची रचना व विश्लेषण करण्यास मदत केली आणि असा वैज्ञानिक निष्कर्ष काढला ज्याचे मानवी रसायनशास्त्रज्ञ मूल्यांकन करू शकले.

सेंद्रिय रसायनशास्त्र हे सर्व लहान-रेणूंच्या औषधांचा, तसेच कृषी, इलेक्ट्रॉनिक्स आणि पदार्थ विज्ञानातील उत्पादनांचा आधार आहे. एखादी अभिक्रिया तेव्हा विशेषतः उपयुक्त ठरते, जेव्हा ती अनेक वेगवेगळ्या सुरुवातीच्या पदार्थांमध्ये एकाच प्रकारचा रासायनिक बंध विश्वसनीयपणे तयार करू शकते. जेव्हा अभिक्रियांमधून कमी उत्पन्न मिळते किंवा खूप जास्त अवांछित उप-उत्पादने तयार होतात, तेव्हा रसायनशास्त्रज्ञांना अन्यथा आशादायक असलेले रेणू सोडून द्यावे लागतात किंवा वेगळा मार्ग विकसित करण्यासाठी बराच वेळ घालवावा लागतो. यामुळे संश्लेषण हे औषध शोधातील एक मोठे अडथळा ठरते: शास्त्रज्ञ सामान्यतः फक्त त्याच रेणूंची चाचणी करू शकतात जे ते स्वतः तयार करू शकतात किंवा इतर मार्गांनी मिळवू शकतात.

Chan–Lam coupling औषधीय रसायनशास्त्रात उपयुक्त आहे, कारण त्यामुळे कार्बन-नायट्रोजन बंध तयार होतात, जे औषधांमध्ये सामान्यपणे आढळतात. तथापि, ही अभिक्रिया प्रत्येक प्रकारच्या रेणूंसाठी सारखीच प्रभावीपणे काम करत नाही. विशेषतः, प्राथमिक सल्फोनामाइड्सचे बोरॉनिक आम्लांसोबत कपलिंग केल्यास ऐतिहासिकदृष्ट्या कमी उत्पादन मिळाले आहे. सल्फोनामाइड्स हे रेणूंचे एक महत्त्वाचे कुटुंब आहे, जे कर्करोगशास्त्र आणि संसर्गजन्य रोगांमध्ये वापरल्या जाणाऱ्या औषधांमध्ये आढळते. ही अभिक्रिया अधिक विश्वसनीय बनवल्यास औषधीय रसायनशास्त्रज्ञांना संभाव्य उपयुक्त रेणू तयार करण्यासाठी आणि त्यांचा शोध घेण्यासाठी एक अधिक व्यापक आणि व्यावहारिक मार्ग मिळू शकेल.

या एकत्रित प्रणालीने एकमेकांना पूरक क्षमता जोडल्या. मारिया AIसोबत काम करणाऱ्या शास्त्रज्ञांनी लिहिलेले प्रॉम्प्ट्स, एका हार्नेसमध्ये जीपीटी-5.4 सोबत वापरून हजारो संभाव्य संशोधन प्रस्ताव तयार केले गेले आणि त्यांना क्रमवारी लावली गेली. मानवी रसायनशास्त्रज्ञांनी प्रणालीनुसार सर्वोच्च क्रमवारी मिळालेल्या प्रस्तावांच्या लहान उपसंचाचे पुनरावलोकन केले आणि प्रयोगशाळेतील चाचणीसाठी चार प्रस्ताव निवडले. त्यानंतर मारिया AIने निवडलेल्या उच्च-स्तरीय योजनांचे तपशीलवार प्रयोगशाळा सूचनांमध्ये भाषांतर केले, हजारो उच्च-थ्रुपुट प्रयोग चालवले, कच्च्या डेटाचे विश्लेषण केले आणि संरचित निकाल जीपीटी-5.4 ला परत पाठवले. 

निवडलेल्या चार प्रस्तावांपैकी एक, OAI-M1-03, मध्ये सल्फोनामाइड संश्लेषणासाठी चॅन-लॅम अभिक्रियेची कार्यक्षमता सुधारण्यासाठी TEMPO सारखे सौम्य ऑक्सिडंट्स वापरण्याचे सुचवले होते. रसायनशास्त्रज्ञांना ती सूचना आश्चर्यकारक आणि रोचक दोन्ही वाटली. OAI-M1-03 मधील तपशीलवार निष्कर्ष आम्ही या ब्लॉग पोस्टमध्ये आणि शोधनिबंधात⁠(नवीन विंडोमध्ये उघडेल) सामायिक करत आहोत.

त्यानंतर Maria ने अंतिम संशोधन प्रस्तावाचा वापर करून प्रायोगिक ग्रिड तयार केले, ज्यात मानवांनी किरकोळ दुरुस्त्या केल्या. सर्वात मोठी मानवी दुरुस्ती म्हणजे द्रावक म्हणून डायमिथाइल सल्फॉक्साइड, किंवा DMSO, वापरणे टाळणे ही होती, कारण रसायनशास्त्रज्ञांना चिंता होती की तुलनेसाठी वापरलेल्या अधिक शक्तिशाली ऑक्सिडंटसोबत त्याची अभिक्रिया होऊ शकते.

संपूर्ण प्रक्रियेला तीन महिने लागले, पहिल्या प्रॉम्प्टपासून 04.03 ते OAI-M1-03 चे परिणाम स्वतंत्र तज्ज्ञांसोबत 04.06 रोजी सामायिक करण्यात आले.

आम्ही या कार्यप्रवाहाला पूर्णपणे स्वायत्त नव्हे, तर जवळपास स्वायत्त म्हणतो, कारण संपूर्ण प्रक्रियेदरम्यान मानवी रसायनशास्त्रज्ञांनी महत्त्वाचे निर्णय घेतले. मॉडेलने मुख्य संशोधन कल्पना मांडल्या, तर मानवी रसायनशास्त्रज्ञांनी उच्च-स्तरीय मार्गदर्शन आणि निर्णयक्षमता पुरवली, प्रयोगातील तपशील दुरुस्त केले, प्रयोगशाळेतील उपभोग्य वस्तू आणि अभिकर्मक तयार करण्यास मदत केली, आणि महत्त्वाचे प्रयोग हाताने पुन्हा केले.

OAI-M1-03 ने येथे अभ्यासलेल्या प्राथमिक सल्फोनामाइड चान-लाम कपलिंगसाठी TEMPO हा उपयुक्त अॅडिटिव्ह असल्याचे ओळखले. अनुकूलित अटींमध्ये अभिक्रिया दोन प्रकारे सुधारली: सरासरी यील्ड वाढले, आणि अधिक सब्स्ट्रेट संयोजनांनी व्यावहारिकदृष्ट्या उपयुक्त यील्ड गाठले.

दोन चक्रांमध्ये, मारियाने एकूण 10,080 अभिक्रिया घडवून आणल्या, ज्या एका दशकात दररोज तीन अभिक्रिया करणाऱ्या रसायनशास्त्रज्ञाने घडवून आणलेल्या अभिक्रियांपेक्षा जास्त आहेत. हा आवाका महत्त्वाचा होता, कारण जेव्हा रसायनशास्त्राचे निष्कर्ष केवळ काही उदाहरणांवर तपासले जातात, तेव्हा ते दिशाभूल करणारे ठरू शकतात. एखादी अभिक्रिया सुरुवातीच्या पदार्थांच्या एका जोडीवर आशादायक दिसू शकते, परंतु रेणूंच्या व्यापक संचावर अयशस्वी ठरू शकते. हजारो अभिक्रियांमुळे, तपासलेल्या दहा ऑक्सिडायझर्सपैकी TEMPO ओळखणे, विविध संयोगांमध्ये त्याचा परिणाम पुन्हा होताना पाहणे आणि त्याच्या मर्यादा शोधणे शक्य झाले.

डेटाच्या पहिल्या फेरीचे विश्लेषण केल्यानंतर, प्रणालीने पुढील गृहितकांची चाचणी घेण्यासाठी अधिक केंद्रित प्रयोगांची दुसरी फेरी प्रस्तावित केली. एक उपयुक्त पुढील निष्कर्ष असा होता की, TEMPO च्या जागी 4-hydroxy-TEMPO हा खूपच स्वस्त अॅनालॉग वापरल्यास कार्यक्षमतेत फारसा फरक पडत नाही.

मारिया लॅबच्या मायक्रोलिटर-स्केल स्क्रीनिंग पद्धतीपलीकडेही हा निकाल टिकून राहिला. मानवी रसायनशास्त्रज्ञांनी बेंच स्केलवर प्रातिनिधिक अभिक्रिया हाताने पुन्हा करून पाहिल्या आणि 14 पैकी 11 सबस्ट्रेट जोड्यांसाठी उत्पादनात वाढ झाल्याचे निरीक्षण केले; आठ जोड्यांसाठी ही वाढ दुप्पटीपेक्षा जास्त होती. ही पुनरावृत्ती महत्त्वाची आहे, कारण अतिशय लहान प्रमाणावरील प्रयोगांमुळे कधीकधी असे दोष निर्माण होऊ शकतात जे मोठ्या प्रमाणावर नाहीसे होतात. वैज्ञानिक नियतकालिकात संशोधन प्रकाशित होण्यापूर्वी बेंच-स्केलवर पडताळणी करणे ही एक प्रथा आहे.

OAI-M1-03 चे वर्णन करणाऱ्या प्रीप्रिंटचे चार बाह्य रसायनशास्त्र तज्ञांनी पुनरावलोकन केले. त्यांच्या मूल्यांकनांनी आमच्या या मताला दुजोरा दिला की, हा निकाल नाविन्यपूर्ण असून वैज्ञानिक समुदायासोबत सामायिक करण्यायोग्य आहे. यानंतर खरी कसोटी लागणार आहे: स्वतंत्र प्रयोगशाळा हा निकाल पुन्हा मिळवू शकतात का, आणि रसायनशास्त्रज्ञांना तो अधिक व्यापक रेणूंच्या बाबतीत उपयुक्त वाटतो का.

तीन महिन्यांच्या काळात GPT‑5.4 ने तयार केलेल्या आणि Maria ने तपासलेल्या इतर तीन प्रस्तावांपैकी OAI-M1-02 आणि OAI-M1-04 हे Maria Lab मध्ये प्रायोगिकरीत्या सिद्ध झाले, तर OAI-M1-01 सिद्ध झाला नाही. या निष्कर्षांचे विश्लेषण सुरू आहे.

हे कार्य दाखवते की सेंद्रिय रसायनशास्त्रात एक मॉडेल उपयुक्त योगदान देऊ शकते. या मॉडेलने केवळ साहित्याचा सारांश देणे किंवा एकदाच करायचा प्रयोग सुचवण्यापलीकडे जाऊन, एक विशिष्ट आश्चर्यकारक गृहीतक मांडले आणि ते मानवी पुनरावलोकनासाठी समोर आणले; प्रयोगांची रचना केली, प्रायोगिक माहितीचे विश्लेषण केले आणि पुढील प्रयोगांची रचना केली.

यातून हे दिसून येत नाही की AI (AI) सुरुवातीपासून शेवटपर्यंत एखादा रसायनशास्त्राचा संशोधन कार्यक्रम स्वतंत्रपणे चालवू शकते. मानवी निर्णय आवश्यक राहिला आणि कार्यप्रवाह विशेष उच्च-थ्रुपुट पायाभूत सुविधांवर अवलंबून होता. तसेच, यातून हे देखील सिद्ध होत नाही की ही पद्धत इतर कपलिंग रिॲक्शन्स, इतर सबस्ट्रेट वर्ग किंवा उत्पादन परिस्थितींमध्ये लागू होईल.

उत्पन्नाचे अंदाज उच्च-थ्रुपुट प्लॅटफॉर्मवरून आले, आणि बेंच पडताळणीमध्ये 14 प्रतिनिधी सब्सट्रेट जोड्यांचा समावेश होता. अभिक्रियेची यंत्रणा वैशिष्ट्यीकृत करणे, सब्स्ट्रेटची व्याप्ती निश्चित करणे, विविध प्रयोगशाळीय परिस्थितींमध्ये कार्यक्षमता मोजणे आणि निकालाची स्वतंत्रपणे पुनरुत्पत्ती करणे यासाठी आणखी काम करणे आवश्यक आहे.

रसायनशास्त्रातील क्षमतांचा काळजीपूर्वक वापर करणे आवश्यक आहे, कारण जी साधने वैद्यकशास्त्र आणि पदार्थ विज्ञानाला आधार देऊ शकतात, त्यांचा गैरवापरही होऊ शकतो. आम्ही हे काम जाणीवपूर्वक एका वैध औषधी-रसायनशास्त्राच्या समस्येपुरते मर्यादित ठेवले: औषधांसारखे रेणू बनवण्यासाठी वापरल्या जाणाऱ्या एका ज्ञात युग्मन अभिक्रियेत सुधारणा करणे. या प्रयोगांमध्ये विषारी पदार्थ, रासायनिक शस्त्रे किंवा हानिकारक संयुगे तयार करण्याच्या विनंत्यांचा समावेश नव्हता. हे परिणाम, ही प्रणाली त्या हानिकारक उपयोगांमध्ये मदत करू शकते याचा पुरावा म्हणून वाचले जाऊ नयेत. या प्रकल्पाने त्याची चाचणी किंवा प्रात्यक्षिक दाखवले नाही.

आम्ही आमच्या प्रिपेयर्डनेस फ्रेमवर्क⁠द्वारे प्रगत मॉडेल क्षमतांमुळे उद्भवणाऱ्या उदयोन्मुख जोखमींचे मूल्यांकन करतो आणि त्यांचे शमन करतो, ज्यामध्ये रासायनिक आणि जैविक क्षेत्रांशी संबंधित जोखमींचाही समावेश आहे. या कामात वापरलेल्या मॉडेलचे यूके AI सुरक्षा संस्थेकडून संबंधित मूल्यमापन आधीच झाले होते आणि प्रणाली हानिकारक अनुप्रयोगांवर केंद्रित विनंत्या नाकारण्यासाठी डिझाइन करण्यात आली होती. प्रयोगात्मक कार्यप्रवाहाने नियंत्रणाचा आणखी एक स्तर जोडला: मानवी रसायनशास्त्रज्ञांनी कोणते प्रस्ताव प्रयोगशाळेत नेले जातील हे निवडले, प्रयोगात्मक योजनांचे पुनरावलोकन केले आणि भौतिक पायाभूत सुविधांवरील नियंत्रण स्वतःकडे राखले.

प्रायोगिक रसायनशास्त्रातील AIच्या क्षमतेचा अभ्यास करण्याचा हा एक जबाबदार मार्ग आहे असे आम्हाला वाटते: स्पष्ट वैज्ञानिक मूल्य असलेली एक समस्या निवडा, मॉडेल-स्तरीय सुरक्षा उपायांची तज्ज्ञांच्या देखरेखीशी सांगड घाला आणि मर्यादित भौतिक प्रयोगांद्वारे प्रणालीचे मूल्यांकन करा. जसजशा या क्षमता सुधारत जातील, तसतसे आम्ही नव्याने उदभवणाऱ्या धोक्यांचे मूल्यांकन करणे, सुरक्षा उपाय अधिक मजबूत करणे आणि एखाद्या निकालाचा नेमका अर्थ काय होतो व काय होत नाही, याबद्दल स्पष्टता ठेवणे सुरू ठेवू.

पुढील तात्काळ पावले वैज्ञानिक स्वरूपाची आहेत: विविध प्रकारच्या प्रारंभिक सामग्रीची चाचणी घेणे, अतिरिक्त घटकांमुळे अभिक्रियेत सुधारणा का होते याचा शोध घेणे, हा परिणाम कुठे यशस्वी होतो आणि कुठे अयशस्वी होतो याचा नकाशा तयार करणे, आणि स्वतंत्र पुनरावृत्तीसाठी आधार देणे. एकत्रितपणे, हे अभ्यास ठरवतील की ही पद्धत किती व्यापकपणे लागू केली जाऊ शकते आणि व्यावहारिक औषधी रसायनशास्त्राच्या कार्यप्रवाहांमध्ये ती किती उपयुक्त आहे.

आमचे दीर्घकालीन ध्येय AI प्रणालींना विश्वसनीय वैज्ञानिक भागीदार बनवणे आहे, जे संशोधकांना गृहितके तयार करण्यास, प्रयोगांची रचना करण्यास, निष्कर्षांचा अर्थ लावण्यास आणि पुढे काय तपासायचे हे ठरविण्यात मदत करतील, आणि हे सर्व करताना ते तज्ञांच्या निर्णयावर, विश्वसनीय मापनावर आणि मजबूत सुरक्षा उपायांवर आधारित राहतील. सेंद्रिय रसायनशास्त्र हे एक विशेषतः उच्च-लाभदायक क्षेत्र आहे, कारण लहान-रेणूंचा शोध आणि उत्पादनातील प्रगती ही रेणू विश्वसनीयपणे तयार करण्याच्या क्षमतेवर अवलंबून असते. शास्त्रज्ञ केवळ त्याच रेणूंची चाचणी करू शकतात जे ते तयार करू शकतात, आणि उत्तम संश्लेषणामुळे वैद्यकशास्त्र, कृषी, इलेक्ट्रॉनिक्स, ऊर्जा आणि पदार्थ विज्ञान यांसारख्या क्षेत्रांमध्ये ते शोधू शकणाऱ्या कल्पनांची व्याप्ती वाढू शकते. हा परिणाम त्या व्यापक दिशेचे एक प्रारंभिक उदाहरण आहे: एक अत्याधुनिक मॉडेल, विशेषीकृत एजंट, एक स्वयंचलित प्रयोगशाळा आणि मानवी रसायनशास्त्रज्ञ हे सर्व एकत्र काम करून संशोधनाच्या चक्रात अधिक वेगाने पुढे जात आहेत आणि असे निष्कर्ष तयार करत आहेत ज्यांचे वैज्ञानिक समुदाय मूल्यांकन करू शकेल, पुनरुत्पादन करू शकेल आणि त्यावर आधारित पुढील संशोधन करू शकेल.

आम्ही Molecule.one संघ आणि या कार्याचे पुनरावलोकन केलेल्या स्वतंत्र रसायनशास्त्रज्ञांचे आभारी आहोत.