Una IA ayuda a químicos a diseñar moléculas con solo describirlas

El diseño de nuevas moléculas representa uno de los desafíos más complejos en el campo de la química. Ya sea que se busque un fármaco vital o un material innovador, cada compuesto debe ser creado a través de una serie cuidadosamente planificada de reacciones. Este proceso requiere una profunda experiencia y pensamiento estratégico, lo que explica por qué los químicos suelen dedicar años a dominarlo.

Un obstáculo significativo en este proceso es la retrosíntesis. Esta técnica implica que los químicos comiencen con la molécula final deseada y trabajen hacia atrás para identificar materiales iniciales más simples y posibles rutas de reacción. Este enfoque involucra numerosas decisiones, como la selección de los bloques de construcción adecuados, la formación de anillos y la protección de partes sensibles de la molécula. Aunque las computadoras pueden explorar enormes "espacios químicos", todavía les cuesta igualar el juicio estratégico de los químicos experimentados.

Otro desafío son los mecanismos de reacción, que describen cómo las reacciones avanzan paso a paso a través del movimiento de electrones. Comprender estos mecanismos permite a los científicos predecir nuevas reacciones, mejorar la eficiencia y evitar costosos ensayos y errores. Aunque las herramientas computacionales actuales pueden sugerir muchas posibles rutas, a menudo carecen de la intuición necesaria para identificar las más realistas.

Un nuevo enfoque de IA para el razonamiento químico

Investigadores liderados por Philippe Schwaller en la EPFL desarrollaron un nuevo método que utiliza modelos de lenguaje grandes (LLMs) como herramientas de razonamiento para la química. En lugar de generar estructuras químicas directamente, estos modelos actúan como evaluadores que guían sistemas computacionales existentes.

El nuevo marco, denominado Synthegy, combina algoritmos de búsqueda tradicionales con IA que puede interpretar estrategias químicas escritas en lenguaje natural.

"Al crear herramientas para químicos, la interfaz de usuario es crucial, y las herramientas anteriores dependían de filtros y reglas engorrosas", afirmó Andres M Bran, autor principal del artículo sobre Synthegy publicado en Matter. "Con Synthegy, estamos empoderando a los químicos para que simplemente hablen, lo que les permite iterar mucho más rápido y navegar por ideas sintéticas más complejas."

Cómo Synthegy mejora la planificación de la retrosíntesis

Synthegy comienza con una molécula objetivo y una instrucción simple escrita en lenguaje cotidiano. Por ejemplo, un químico podría solicitar que se forme un anillo específico temprano o que se eviten grupos protectores innecesarios. Luego, el software de retrosíntesis estándar genera muchas posibles rutas.

Cada una de estas rutas se convierte en texto y es revisada por un modelo de lenguaje. Synthegy puntúa cuán bien se ajusta cada opción a las instrucciones del químico y explica su razonamiento. Esto facilita la clasificación y filtrado de las mejores rutas. Al guiar las búsquedas con lenguaje natural, los químicos pueden enfocarse rápidamente en estrategias que se alinean con sus objetivos.

Comprendiendo los mecanismos de reacción con IA

Synthegy aplica un método similar a los mecanismos de reacción. Descompone las reacciones en movimientos básicos de electrones y explora diferentes posibilidades. El modelo de lenguaje evalúa cada paso y dirige la búsqueda hacia rutas que tienen sentido químico.

El sistema también puede incorporar detalles adicionales, como condiciones de reacción o hipótesis de expertos, proporcionadas en forma de texto. Esta flexibilidad permite a los investigadores refinar su análisis y explorar escenarios más realistas.

Rendimiento y validación con químicos

En la planificación de síntesis, Synthegy fue capaz de identificar rutas que coincidían con instrucciones estratégicas complejas. En un estudio doble ciego, 36 químicos proporcionaron 368 evaluaciones válidas, y sus evaluaciones coincidieron con los resultados del sistema el 71.2% del tiempo en promedio.

El marco puede señalar pasos protectores innecesarios, juzgar la viabilidad de las reacciones y priorizar soluciones eficientes. También demuestra que los LLMs pueden operar a múltiples niveles, desde analizar grupos funcionales hasta evaluar rutas sintéticas completas. Los modelos más grandes mostraron un mejor rendimiento, mientras que los más pequeños mostraron habilidades más limitadas.

Un nuevo rol para la IA en la química

Esta investigación destaca una forma diferente en que la IA puede apoyar a la química. En lugar de reemplazar la toma de decisiones humana, Synthegy posiciona a los modelos de lenguaje como guías que ayudan a interpretar y refinar los resultados computacionales. Los químicos pueden describir sus objetivos en lenguaje sencillo y recibir soluciones que reflejen su estrategia.

Este enfoque podría acelerar el descubrimiento de fármacos, mejorar el diseño de reacciones y hacer que herramientas avanzadas sean más accesibles para los científicos.

"La conexión entre la planificación de síntesis y los mecanismos es muy emocionante: normalmente usamos mecanismos para descubrir nuevas reacciones que nos permiten sintetizar nuevas moléculas", comentó Andres M Bran. "Nuestro trabajo está cerrando esa brecha computacionalmente a través de una interfaz unificada de lenguaje natural."

Otros colaboradores

Temas