El aprendizaje automático y la IA ayudan a predecir los resultados de las reacciones químicas
Hoy en día hay pocos problemas que la IA y el aprendizaje automático no puedan ayudar a superar. Investigadores de la Universidad Nacional de Yokohama aprovechan esta moderna ventaja para superar lo que los métodos convencionales no pueden.
Una aplicación web para uso de químicos experimentales creada por nosotros. Subiendo un archivo calculado con software disponible en el mercado, se puede analizar el estado electrónico. Estamos trabajando en la creación de una plataforma que permita a los químicos de todo el mundo analizar sus propios sistemas de reacción.
Yokohama National University
Hay muchas reglas que recordar cuando se trata de la interacción de moléculas que contienen carbono (u orgánicas). La posición de los grupos de la molécula que interactúan con su entorno, el tamaño, la forma y la posición de la molécula, y la molécula con la que interactúa. El resultado de una reacción determinada puede ser muy diferente dependiendo de estos factores y de muchos más, y predecir estos resultados ha demostrado ser todo un reto en el campo de la química. Controlar el resultado es un componente muy necesario de la síntesis química, pero las predicciones no siempre son suficientes. Afortunadamente, el aprendizaje automático y la inteligencia artificial (IA) pueden ayudar una vez más a impulsar el progreso mediante la predicción de la velocidad o selectividad de una reacción determinada. Por tanto, esta tecnología puede ser útil para predecir qué producto cabe esperar.
Los investigadores publicaron sus hallazgos en la revista Journal of Chemical Information and Modeling el 9 de abril.
En química orgánica, cada detalle es importante. Dos áreas comunes que pueden afectar al modo en que una molécula interactúa con otras moléculas son la estérica y los orbitales. Los estéricos se refieren a la disposición de las moléculas y los efectos estéricos pueden determinar la forma y la reactividad de la molécula. Esto puede deberse al tamaño o a la carga de la molécula o de cada átomo. Los orbitales son una forma de explicar la ubicación más probable de los electrones que, a su vez, pueden interactuar con otras moléculas o átomos para provocar reacciones. Estos factores pueden cambiar drásticamente el lugar donde un nucleófilo, o un reactivo donador de electrones, puede unirse a la molécula receptora. Esto se conoce como "selectividad" y, dependiendo de dónde se adhiera la molécula, los resultados pueden formar diferentes productos o rendimientos del producto deseado. Los investigadores están utilizando la IA y el aprendizaje automático, así como los conocimientos actuales sobre reacciones químicas, para explicar mejor estos aspectos de la selectividad molecular.
"Para determinar qué información química esencial puede proporcionarse a la IA, es necesario combinar los conocimientos químicos con los de la IA y el aprendizaje automático", explica el autor correspondiente, Hiroaki Gotoh, profesor asociado de la Facultad de Ingeniería de la Universidad Nacional de Yokohama.
En primer lugar, había que proporcionar al ordenador información con la que aprender. Para iniciar el proceso de aprendizaje de la IA se utilizó información de la bibliografía sobre química computacional y de estudios anteriores. Tras introducir manualmente los datos de las moléculas utilizadas y ajustar los parámetros óptimos, se realizaron análisis de datos basados en los resultados previstos del conjunto de datos de prueba. Estos análisis permiten a la IA aprender y predecir futuras selectividades basándose en la información ya conocida. "Este método permite un análisis y una interpretación más exhaustivos de los mecanismos de reacción mediante el cálculo de los parámetros de los espacios esféricos que imitan a los nucleófilos que se aproximan", afirma Daimon Sakaguchi, primer autor del estudio en el departamento de Química y Ciencias de la Vida de la Universidad Nacional de Yokohama.
El estudio explicó con éxito la selectividad de 323 reacciones de ocho nucleófilos en función de qué "cara" de la molécula dará la cantidad más deseable de producto. La selectividad cambia en función de la esterilidad de la molécula, además de sus factores orbitales. Los investigadores descubrieron que, para algunas moléculas, el factor orbital es más importante a la hora de determinar la selectividad facial, mientras que otras dependen más de los factores estéricos de la molécula cuando interactúa con su nucleófilo.
La combinación de la tecnología predictiva y el aprendizaje automático con los conocimientos establecidos de química puede arrojar mejores resultados de la reacción química y ayudar a los químicos a sintetizar productos naturales y sustancias químicas farmacéuticas de forma más ágil.
Al agilizar este proceso con el uso del aprendizaje automático y la inteligencia artificial, se puede experimentar más. Idealmente, los investigadores esperan colaborar con químicos experimentales para diseñar reacciones que continúen con el desarrollo de una tecnología más predictiva de las reacciones químicas.
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.
