Robots e inteligencia artificial se alían para descubrir catalizadores altamente selectivos
Predecir con precisión, sin necesidad de cálculos químicos cuánticos
Los investigadores utilizaron un robot de síntesis química y un modelo de I.A. computacionalmente rentable para predecir y validar con éxito catalizadores altamente selectivos.
Primer plano del robot de síntesis semiautomatizado utilizado para generar datos de entrenamiento.
ICReDD
La inteligencia artificial (I.A.) ha sido noticia recientemente con la llegada de las capacidades de procesamiento del lenguaje de ChatGPT. La creación de una herramienta igual de potente para el diseño de reacciones químicas sigue siendo un reto importante, especialmente en el caso de reacciones catalíticas complejas. Para hacer frente a este reto, investigadores del Instituto de Diseño y Descubrimiento de Reacciones Químicas y del Max Planck Institut für Kohlenforschung han demostrado un método de aprendizaje automático que utiliza descriptores químicos 2D avanzados pero eficaces para predecir con precisión catalizadores asimétricos altamente selectivos, sin necesidad de cálculos químicos cuánticos.
"Ha habido varias tecnologías avanzadas que pueden "predecir" estructuras catalíticas, pero esos métodos a menudo requieren grandes inversiones de recursos de cálculo y tiempo; sin embargo, su precisión seguía siendo limitada", dijo el primer autor conjunto Nobuya Tsuji. "En este proyecto, hemos desarrollado un modelo predictivo que se puede ejecutar incluso con un PC portátil corriente".
Para que un ordenador aprenda información química, las moléculas suelen representarse como una colección de descriptores, que a menudo consisten en pequeñas partes, o fragmentos, de esas moléculas. A la inteligencia artificial le resulta más fácil procesar estos fragmentos, que pueden organizarse y reordenarse para construir moléculas diferentes, del mismo modo que las piezas de Lego pueden organizarse y conectarse de distintas maneras para construir estructuras diferentes.
Sin embargo, los descriptores 2D, más baratos desde el punto de vista computacional, han tenido dificultades para representar con precisión estructuras catalíticas complejas, lo que ha dado lugar a predicciones imprecisas. Para mejorar este problema, los investigadores desarrollaron nuevos descriptores 2D de subestructura circular(CircuS) que representan explícitamente las estructuras cíclicas y ramificadas de los hidrocarburos, habituales en catálisis. Los datos de entrenamiento de la inteligencia artificial se obtuvieron mediante experimentos a través de un proceso racionalizado y semiautomático en el que se utilizó un robot de síntesis. A continuación, estos datos experimentales se convirtieron en descriptores y se utilizaron para entrenar el modelo de inteligencia artificial.
Los investigadores utilizaron el modelo totalmente entrenado para probar virtualmente 190 catalizadores que no formaban parte de los datos de entrenamiento. En este conjunto, el modelo de I.A. fue capaz de predecir catalizadores altamente selectivos tras haber sido entrenado únicamente con los datos de catalizadores de selectividad moderada, lo que demuestra su capacidad para extrapolar más allá de los datos de entrenamiento. A continuación, se probó experimentalmente el catalizador que presentaba la selectividad más alta, mostrando una selectividad casi idéntica a la predicha por el modelo de I.A.. Obtener una selectividad alta es especialmente crucial para el diseño de nuevos medicamentos, y esta técnica proporciona a los químicos un marco potente para optimizar la selectividad que es eficiente tanto en costes computacionales como de mano de obra.
"A menudo, para predecir nuevos catalizadores selectivos los químicos utilizaban modelos basados en cálculos de química cuántica. Sin embargo, estos modelos son costosos desde el punto de vista computacional y, cuando aumenta el número de compuestos y el tamaño de las moléculas, su aplicación se vuelve limitada", comenta Pavel Sidorov, coautor del estudio. "Los modelos basados en estructuras 2D son mucho más baratos y, por tanto, pueden procesar cientos y miles de moléculas en cuestión de segundos. Esto permite a los químicos filtrar mucho más rápidamente los compuestos que no les interesan".
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.
