La IA aprende el lenguaje de la química para predecir cómo hacer medicamentos
Investigadores de la Universidad de Cambridge han demostrado que un algoritmo puede predecir los resultados de reacciones químicas complejas con una precisión superior al 90%, superando a los químicos entrenados. El algoritmo también muestra a los químicos cómo hacer compuestos objetivo, proporcionando el químico 'mapa' al destino deseado.
Los algoritmos de aprendizaje automático pueden tener una mejor comprensión de la química (imagen simbólica).
TheDigitalArtist, pixabay.com, CC0
Un desafío central en el descubrimiento de fármacos y en la ciencia de los materiales es encontrar formas de crear moléculas orgánicas complicadas mediante la unión química de bloques de construcción más sencillos. El problema es que esos bloques de construcción a menudo reaccionan de manera inesperada.
"La fabricación de moléculas se describe a menudo como un arte realizado con experimentación de ensayo y error porque nuestra comprensión de la reactividad química está lejos de ser completa", dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, que dirigió los estudios. "Los algoritmos de aprendizaje automático pueden tener una mejor comprensión de la química porque destilan patrones de reactividad de millones de reacciones químicas publicadas, algo que un químico no puede hacer".
El algoritmo desarrollado por Lee y su grupo utiliza herramientas de reconocimiento de patrones para reconocer cómo reaccionan los grupos químicos en las moléculas, entrenando al modelo en millones de reacciones publicadas en patentes.
Los investigadores observaron la predicción de reacciones químicas como un problema de traducción automática. Las moléculas que reaccionan son consideradas como un `lenguaje', mientras que el producto es considerado como un lenguaje diferente. El modelo luego utiliza los patrones del texto para aprender a"traducir" entre los dos idiomas.
Utilizando este enfoque, el modelo alcanza una precisión del 90% en la predicción del producto correcto de reacciones químicas no vistas, mientras que la precisión de los químicos humanos entrenados es de alrededor del 80%. Los investigadores dicen que el modelo es lo suficientemente preciso para detectar errores en los datos y predecir correctamente una plétora de reacciones difíciles.
El modelo también sabe lo que no sabe. Produce una puntuación de incertidumbre, que elimina las predicciones incorrectas con una precisión del 89%. Dado que los experimentos requieren mucho tiempo, la predicción precisa es crucial para evitar la búsqueda de costosas vías experimentales que, con el tiempo, terminan en fracaso.
En el segundo estudio, Lee y su grupo, en colaboración con la compañía biofarmacéutica Pfizer, demostraron el potencial práctico del método en el descubrimiento de fármacos.
Los investigadores demostraron que cuando se capacita en investigación química publicada, el modelo puede hacer predicciones precisas de reacciones basadas en cuadernos de laboratorio, mostrando que el modelo ha aprendido las reglas de la química y puede aplicarlas a los entornos de descubrimiento de fármacos.
El equipo también demostró que el modelo puede predecir secuencias de reacciones que llevarían a un producto deseado. Aplicaron esta metodología a diversas moléculas similares a fármacos, demostrando que los pasos que predice son químicamente razonables. Esta tecnología puede reducir significativamente el tiempo de descubrimiento de fármacos preclínicos, ya que proporciona a los farmacéuticos un plano de por dónde empezar.
"Nuestra plataforma es como un GPS para química", dijo Lee, que también es investigador en el St Catharine's College. "Informa a los químicos si una reacción es positiva o negativa, y cómo navegar por las rutas de reacción para crear una nueva molécula."
Los investigadores de Cambridge están utilizando actualmente esta tecnología de predicción de reacciones para desarrollar una plataforma completa que tiende un puente entre el ciclo de diseño y realización de pruebas en el descubrimiento de fármacos y de materiales: predicción de moléculas bioactivas prometedoras, formas de fabricar esas moléculas orgánicas complejas y selección de los experimentos que son más informativos. Los investigadores ahora están trabajando en la extracción de información química del modelo, tratando de entender lo que ha aprendido que los humanos no han aprendido.
"Podemos potencialmente hacer mucho progreso en química si aprendemos qué tipo de patrones está buscando el modelo para hacer una predicción", dijo Peter Bolgar, un estudiante de doctorado en química orgánica sintética involucrado en ambos estudios. "El modelo y los químicos humanos juntos se volverían extremadamente poderosos en el diseño de experimentos, más de lo que cada uno sería sin el otro."
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
