Un algoritmo evolutivo genera "huellas moleculares" a medida
Un equipo de investigadores desarrolla un método mejorado para explicar las predicciones de las máquinas sobre reacciones químicas
La inteligencia artificial y el aprendizaje automático son cada vez más importantes en la vida cotidiana, y lo mismo ocurre con la química. Los químicos orgánicos, por ejemplo, están interesados en cómo el aprendizaje automático puede ayudar a descubrir y sintetizar nuevas moléculas eficaces contra enfermedades o útiles de otras maneras. Un equipo dirigido por el profesor Frank Glorius, del Instituto de Química Orgánica de la Universidad de Münster, ha desarrollado un algoritmo evolutivo que busca representaciones moleculares óptimas basándose en los principios de la evolución, utilizando mecanismos como la reproducción, la mutación y la selección. El algoritmo identifica las estructuras moleculares especialmente relevantes para la pregunta en cuestión y las utiliza para codificar moléculas para diversos modelos de aprendizaje automático. En función del modelo y de la pregunta planteada, se crean "huellas moleculares" personalizadas, que los químicos utilizaron en su estudio para predecir reacciones químicas con una precisión sorprendente. El método, publicado en la revista Chem, también sirve para predecir propiedades químicas cuánticas y la toxicidad de las moléculas.
Para utilizar el aprendizaje automático, los investigadores deben convertir primero las moléculas en un formato legible por ordenador. Muchos grupos de investigación ya han abordado este problema y, en consecuencia, existen diversas formas de realizar esta tarea. Sin embargo, es difícil predecir cuál de los métodos disponibles es el más adecuado para responder a una pregunta concreta; por ejemplo, determinar si un compuesto químico es nocivo para el ser humano. El nuevo algoritmo está diseñado para ayudar a encontrar la huella molecular óptima en cada caso. Para ello, el algoritmo selecciona gradualmente las huellas moleculares que obtienen los mejores resultados en la predicción a partir de muchas huellas moleculares generadas aleatoriamente. "Siguiendo el ejemplo de la naturaleza, utilizamos mutaciones, es decir, cambios aleatorios en componentes individuales de las huellas, o recombinamos componentes de dos huellas", explica el estudiante de doctorado Felix Katzenburg.
"En otros estudios, las moléculas suelen describirse mediante propiedades cuantificables que han sido seleccionadas y calculadas por humanos", añade Frank Glorius. "Como el algoritmo que desarrollamos identifica automáticamente las estructuras moleculares relevantes, no hay sesgos sistemáticos causados por expertos humanos". Otra ventaja es que el método de codificación permite entender por qué un modelo hace una determinada predicción. Por ejemplo, es posible sacar conclusiones sobre qué partes de una molécula influyen positiva o negativamente en la predicción de cómo se desarrollaría una reacción, lo que permite a los investigadores cambiar las estructuras relevantes de forma selectiva.
El equipo de Münster descubrió que su nuevo método no siempre lograba los resultados más óptimos. "Otros métodos, como las redes neuronales, a veces resultan más eficaces cuando se ha invertido mucha experiencia humana en la selección de propiedades moleculares especialmente relevantes o se dispone de grandes cantidades de datos", reconoce Felix Katzenburg. Sin embargo, uno de los principales objetivos del estudio era desarrollar un método de codificación de moléculas que pudiera aplicarse a cualquier conjunto de datos moleculares y no requiriera conocimientos expertos de las relaciones subyacentes.
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.
