Cómo los científicos aceleran los descubrimientos químicos con la automatización
Un nuevo flujo de trabajo de modelización estadística puede contribuir al descubrimiento de fármacos y a la química sintética
Un nuevo flujo de trabajo automatizado desarrollado por científicos del Laboratorio Nacional Lawrence Berkeley (Berkeley Lab) tiene el potencial de permitir a los investigadores analizar los productos de sus experimentos de reacción en tiempo real, una capacidad clave necesaria para los futuros procesos químicos automatizados.
Científicos del Laboratorio de Berkeley han desarrollado un nuevo flujo de trabajo automatizado que aplica el análisis estadístico para procesar datos de espectroscopia de resonancia magnética nuclear (RMN). Este avance podría acelerar el descubrimiento de nuevos fármacos y el desarrollo de nuevas reacciones químicas.
Jenny Nuss/Berkeley Lab
El flujo de trabajo desarrollado -que aplica el análisis estadístico para procesar datos de espectroscopia de resonancia magnética nuclear (RMN)- podría ayudar a acelerar el descubrimiento de nuevos fármacos y el desarrollo de nuevas reacciones químicas.
Los científicos del Laboratorio de Berkeley que han desarrollado la innovadora técnica afirman que el flujo de trabajo puede identificar rápidamente la estructura molecular de productos formados por reacciones químicas que nunca antes se habían estudiado. Recientemente han publicado sus hallazgos en la revista Journal of Chemical Information and Modeling.
Además del descubrimiento de fármacos y el desarrollo de reacciones químicas, el flujo de trabajo también podría ayudar a los investigadores que desarrollan nuevos catalizadores. Los catalizadores son sustancias que facilitan una reacción química en la producción de nuevos productos útiles, como combustibles renovables o plásticos biodegradables.
"Lo que más entusiasma de esta técnica es su potencial para el análisis de reacciones en tiempo real, que es una parte integral de la química automatizada", afirma el primer autor, Maxwell C. Venetos, antiguo investigador de la División de Ciencias de los Materiales del Laboratorio de Berkeley y antiguo estudiante de posgrado de investigación en ciencias de los materiales en la UC Berkeley. Terminó sus estudios de doctorado el año pasado. "Nuestro flujo de trabajo realmente te permite empezar a perseguir lo desconocido. Ya no estás limitado por cosas de las que ya conoces la respuesta".
El nuevo flujo de trabajo también puede identificar isómeros, que son moléculas con la misma fórmula química pero distinta disposición atómica. Esto podría acelerar enormemente los procesos de química sintética en la investigación farmacéutica, por ejemplo. "Este flujo de trabajo es el primero de su clase en el que los usuarios pueden generar su propia biblioteca y ajustarla a la calidad de la misma, sin depender de una base de datos externa", afirma Venetos.
Avance de nuevas aplicaciones
En la industria farmacéutica, los desarrolladores de fármacos utilizan actualmente algoritmos de aprendizaje automático para examinar virtualmente cientos de compuestos químicos con el fin de identificar posibles nuevos fármacos candidatos que tengan más probabilidades de ser eficaces contra determinados tipos de cáncer y otras enfermedades. Estos métodos de cribado rastrean bibliotecas o bases de datos en línea de compuestos conocidos (o productos de reacción) y los emparejan con posibles "dianas" farmacológicas en las paredes celulares.
Pero si un investigador de fármacos experimenta con moléculas tan nuevas que sus estructuras químicas aún no existen en una base de datos, normalmente debe pasar días en el laboratorio para determinar la composición molecular de la mezcla: Primero, haciendo pasar los productos de la reacción por una máquina de purificación y, después, utilizando una de las herramientas de caracterización más útiles del arsenal de un químico sintético, un espectrómetro de RMN, para identificar y medir las moléculas de la mezcla de una en una.
"Pero con nuestro nuevo flujo de trabajo, es factible hacer todo ese trabajo en un par de horas", afirma Venetos. El ahorro de tiempo se debe a la capacidad del flujo de trabajo para analizar con rapidez y precisión los espectros de RMN de mezclas de reacción no purificadas que contienen múltiples compuestos, una tarea imposible con los métodos convencionales de análisis espectral de RMN.
"Estoy muy entusiasmado con este trabajo, ya que aplica nuevos métodos basados en datos al viejo problema de acelerar la síntesis y la caracterización", dijo el autor principal Kristin Persson, un científico senior de la facultad en la División de Ciencias de los Materiales del Laboratorio de Berkeley y profesor de la UC Berkeley de la ciencia de los materiales y la ingeniería que también dirige el Proyecto de Materiales.
Resultados experimentales
Además de ser mucho más rápido que los métodos de purificación de laboratorio, el nuevo flujo de trabajo tiene el potencial de ser igual de preciso. Los experimentos de simulación de RMN realizados en el Centro Nacional de Computación Científica para la Investigación Energética (NERSC) del Laboratorio de Berkeley con el apoyo del Proyecto de Materiales demostraron que el nuevo flujo de trabajo puede identificar correctamente moléculas compuestas en mezclas de reacción que producen isómeros, y también predecir las concentraciones relativas de esos compuestos.
Para garantizar una gran precisión estadística, el equipo de investigación utilizó un sofisticado algoritmo conocido como Hamiltonian Monte Carlo Markov Chain (HMCMC) para analizar los espectros de RMN. También realizaron cálculos teóricos avanzados basados en un método denominado teoría funcional de la densidad.
Venetos diseñó el flujo de trabajo automatizado como código abierto para que los usuarios puedan ejecutarlo en un ordenador de sobremesa normal. Esta comodidad resultará muy útil para cualquier persona de la industria o del mundo académico.
La técnica surgió de las conversaciones entre el grupo de Persson y sus colaboradores experimentales Masha Elkin y Connor Delaney, antiguos investigadores postdoctorales del grupo de John Hartwig en la Universidad de Berkeley. Elkin es ahora catedrática de Química en el Instituto Tecnológico de Massachusetts, y Delaney, catedrático de Química en la Universidad de Texas en Dallas.
"En el desarrollo de reacciones químicas, dedicamos constantemente tiempo a averiguar qué ha producido una reacción y en qué proporción", explica John Hartwig, científico titular de la División de Ciencias Químicas del Laboratorio de Berkeley y catedrático de Química de la UC Berkeley. "Algunos métodos de espectrometría de RMN son precisos, pero si se trata de descifrar el contenido de una mezcla de reacción bruta que contiene un montón de productos potenciales desconocidos, esos métodos son demasiado lentos para formar parte de un flujo de trabajo experimental o automatizado de alto rendimiento. Y ahí es donde esta nueva capacidad para predecir el espectro de RMN podría ayudar", dijo.
Ahora que han demostrado el potencial del flujo de trabajo automatizado, Persson y su equipo esperan incorporarlo a un laboratorio automatizado que analice los datos de RMN de miles o incluso millones de nuevas reacciones químicas a la vez.
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
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.
