科学家和工程师们正在探索开发与我们身体相容的电子设备：考虑能够帮助神经元在大脑损伤后重新连接在一起的材料，或者能够在身体内轻易吸收的诊断工具。

一组自组装肽，称为共轭聚肽，已显示出成为下一代电子生物相容材料的基础。但是，要确定合适的分子序列来创建最佳自组装纳米结构，就需要测试数千种可能性，每次测试都需要大约一个月的时间。

安德鲁·弗格森副教授和他的合作者通过开发能够筛选出最佳候选者的机器学习工具，加快了这一过程。通过筛选8000个自组装多肽的候选者，该团队能够对每个设计进行排名。这为实验者测试最有潜力的候选者铺平了道路。该成果发表在《物理化学B期刊》上，该论文还被选为ACS编辑选题，为全球科学界免费公开发表对全球科学界具有重要意义的新研究，并被刊登在期刊封面上。

弗格森说：“通过理解数据科学、材料科学和分子科学，我们能够找到创新的方法来筛选新的候选人。”“这篇论文被选为ACS编辑选择的事实表明，将人工智能与领域科学联系起来的兴趣非常浓厚。”这是物理化学界广泛关注的一个重要问题。

为了帮助寻找最好的候选人，弗格森和毕业生基里尔·什米洛维奇用机器学习和分子模拟筛选出了一系列共轭寡头。如果研究人员保持相同的核含量，并且只是改变了分子两边的三种氨基酸，那么这个序列包含8000个潜在的肽。两边的氨基酸是对称的，如果你改变一边的话，它也会改变另一边。

它们利用称为主动学习或贝叶斯优化的机器学习形式来指导分子模拟，在仅考虑186个肽后，能够建立可靠的数据驱动模型，说明肽序列是如何影响它的特性的。

可靠地推出模型预测，以预测其它肽家族的特性。这个过程还消除了人类对这个方程式的偏见，让人工智能找到之前研究人员未曾考虑过的缩氨酸设计的特征，这让它们真正成为更好的候选者。

然后，他们对每种肽进行排序，并将结果交给实验合作者，后者将测试实验室的最佳候选者。其次，他们希望扩展他们的系统，包括尝试不同的共轭核，同时把新的实验数据反馈回循环中，以进一步加强其模型。

他们还希望利用这种机器学习系统来设计蛋白质，优化自组装胶体来制造原子晶体，甚至有朝一日将这些工具纳入一个自动驾驶实验室，人工智能将收集数据、进行预测、进行实验，然后在不经人工干预的情况下将这些数据反馈给模型。弗格森说：“这种方法在很多领域都有用。”