La inteligencia artificial y el aprendizaje automático son cada vez más relevantes 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 que sean efectivas contra enfermedades o útiles de otras maneras. Un equipo dirigido por el profesor Frank Glorious del Instituto de Química Orgánica de la Universidad de Munster ha desarrollado un algoritmo evolutivo que busca la mejor representación molecular basada en los principios de la evolución, utilizando mecanismos como la reproducción, la mutación y la selección. Identifica estructuras moleculares que son particularmente relevantes para una consulta determinada y las utiliza para codificar moléculas para varios modelos de aprendizaje automático. A partir del modelo y de la pregunta planteada, se crean «huellas dactilares moleculares» personalizadas, que los químicos utilizan en sus estudios para predecir reacciones químicas con una precisión asombrosa. El método, publicado en la revista. Levatambién es adecuado para predecir propiedades químicas cuantitativas y la toxicidad de moléculas.
Para utilizar el aprendizaje automático, los investigadores primero deben convertir las moléculas a un formato legible por computadora. Muchos grupos de investigación ya han resuelto este problema, por lo que existen diferentes formas de realizar esta tarea. Sin embargo, es difícil predecir cuál de los métodos disponibles es mejor para responder a una pregunta concreta (por ejemplo, determinar si un compuesto químico es perjudicial para los seres humanos). El nuevo algoritmo está diseñado para ayudar a encontrar la mejor huella molecular en cada caso. Para ello, el algoritmo selecciona gradualmente las huellas moleculares que producen los mejores resultados de predicción entre varias huellas moleculares generadas aleatoriamente. «Siguiendo el ejemplo de la naturaleza, utilizamos mutaciones, es decir, cambios aleatorios en partes individuales de una huella dactilar o la recombinación de componentes de dos huellas dactilares», explica el estudiante de doctorado Felix Katzenberg.
«En otros estudios, a menudo se describe que las moléculas tienen propiedades cuantificables que los humanos seleccionan y cuentan», añade Frank Gloris. «Si bien el algoritmo que desarrollamos identifica automáticamente estructuras moleculares relevantes, no existe un sesgo sistemático causado por la experiencia humana». Otra ventaja es que el método de codificación permite comprender por qué el modelo realiza una predicción particular. Por ejemplo, es posible concluir qué partes de una molécula influyen positiva o negativamente en la predicción de cómo se producirá una reacción, lo que permite a los investigadores modificar la estructura relevante de forma específica.
El equipo de Münster descubrió que su nuevo método no siempre daba los mejores resultados. «Cuando la experiencia humana se ha centrado en la selección de propiedades moleculares especialmente relevantes o cuando hay una gran cantidad de datos disponibles, otros métodos, como las redes neuronales, a veces resultan esqueléticos», admite Felix Katzenberg. Sin embargo, uno de los principales objetivos del estudio fue desarrollar un método para codificar moléculas que pueda aplicarse a cualquier conjunto de datos moleculares y no requiera conocimientos expertos de las relaciones básicas.
