Empresas Premium
Los químicos podrían utilizar este rápido método computacional para diseñar reacciones más eficientes que produzcan compuestos útiles, desde combustibles a fármacos.
Cuando los químicos diseñan nuevas reacciones químicas, una información útil es el estado de transición de la reacción, el punto de no retorno a partir del cual debe producirse la reacción.
Esta información permite a los químicos intentar crear las condiciones adecuadas para que se produzca la reacción deseada. Sin embargo, los métodos actuales para predecir el estado de transición y el camino que seguirá una reacción química son complicados y requieren una enorme potencia de cálculo.
Investigadores del MIT han desarrollado un modelo de aprendizaje automático capaz de realizar estas predicciones en menos de un segundo y con gran precisión. Su modelo podría facilitar a los químicos el diseño de reacciones químicas capaces de generar diversos compuestos útiles, como fármacos o combustibles.
"Nos gustaría poder diseñar procesos para transformar recursos naturales abundantes en moléculas que necesitemos, como materiales y fármacos terapéuticos. La química computacional es realmente importante para averiguar cómo diseñar procesos más sostenibles que nos lleven de los reactivos a los productos", afirma Heather Kulik, catedrática Lammot du Pont de Ingeniería Química, profesora de Química y autora principal del nuevo estudio.
Chenru Duan, ex estudiante de posgrado del MIT y doctora del 22, que ahora trabaja en Deep Principle; Guan-Horng Liu, ex estudiante de posgrado del Georgia Tech y ahora en Meta; y Yuanqi Du, estudiante de posgrado de la Universidad de Cornell, son los autores principales del artículo.
Para que se produzca cualquier reacción química, ésta debe pasar por un estado de transición, que tiene lugar cuando se alcanza el umbral de energía necesario para que la reacción prosiga. Estos estados de transición son tan fugaces que resulta casi imposible observarlos experimentalmente.
Como alternativa, los investigadores pueden calcular las estructuras de los estados de transición mediante técnicas basadas en la química cuántica. Sin embargo, ese proceso requiere una gran potencia de cálculo y puede llevar horas o días calcular un solo estado de transición.
"Lo ideal sería poder utilizar la química computacional para diseñar procesos más sostenibles, pero este cálculo en sí supone un enorme gasto de energía y recursos para encontrar estos estados de transición", afirma Kulik.
En 2023, Kulik, Duan y otros investigadores presentaron una estrategia de aprendizaje automático que habían desarrollado para predecir los estados de transición de las reacciones. Esta estrategia es más rápida que el uso de técnicas de química cuántica, pero aún más lenta de lo que sería ideal, ya que requiere que el modelo genere alrededor de 40 estructuras y, a continuación, ejecute esas predicciones a través de un "modelo de confianza" para predecir qué estados tienen más probabilidades de ocurrir.
Una de las razones por las que este modelo debe ejecutarse tantas veces es que utiliza conjeturas generadas aleatoriamente para el punto de partida de la estructura del estado de transición y, a continuación, realiza docenas de cálculos hasta llegar a su mejor conjetura final. Estos puntos de partida generados aleatoriamente pueden estar muy lejos del estado de transición real, de ahí que se necesiten tantos pasos.
El nuevo modelo de los investigadores, React-OT, descrito en el artículo de Nature Machine Intelligence, utiliza una estrategia diferente. En este trabajo, los investigadores entrenaron su modelo para que partiera de una estimación del estado de transición generada por interpolación lineal, una técnica que estima la posición de cada átomo moviéndolo a medio camino entre su posición en los reactantes y en los productos, en un espacio tridimensional.
"Una estimación lineal es un buen punto de partida para aproximar dónde acabará ese estado de transición", afirma Kulik. "Lo que hace el modelo es partir de una conjetura inicial mucho mejor que una conjetura completamente aleatoria, como en el trabajo anterior".
De este modo, el modelo tarda menos pasos y menos tiempo en generar una predicción. En el nuevo estudio, los investigadores demostraron que su modelo podía hacer predicciones con sólo unos cinco pasos, tardando unos 0,4 segundos. Estas predicciones no necesitan pasar por un modelo de confianza y son aproximadamente un 25 por ciento más precisas que las predicciones generadas por el modelo anterior.
"Esto convierte a React-OT en un modelo práctico que podemos integrar directamente en el flujo de trabajo computacional existente en el cribado de alto rendimiento para generar estructuras óptimas de estados de transición", afirma Duan.
Para crear React-OT, los investigadores lo entrenaron con el mismo conjunto de datos que utilizaron para entrenar su modelo anterior. Estos datos contienen estructuras de reactivos, productos y estados de transición, calculados mediante métodos de química cuántica, para 9.000 reacciones químicas diferentes, en su mayoría relacionadas con pequeñas moléculas orgánicas o inorgánicas.
Una vez entrenado, el modelo funcionó bien con otras reacciones de este conjunto, que se habían mantenido fuera de los datos de entrenamiento. También funcionó bien en otros tipos de reacciones en las que no había sido entrenado y pudo hacer predicciones precisas sobre reacciones con reactantes más grandes, que a menudo tienen cadenas laterales que no intervienen directamente en la reacción.
"Esto es importante porque hay muchas reacciones de polimerización en las que hay una macromolécula grande, pero la reacción se produce en una sola parte. Disponer de un modelo que se generaliza a través de diferentes tamaños de sistemas significa que puede abordar una amplia gama de química", afirma Kulik.
Los investigadores trabajan ahora en entrenar el modelo para que pueda predecir estados de transición en reacciones entre moléculas que incluyen otros elementos, como azufre, fósforo, cloro, silicio y litio.
El equipo del MIT espera que otros científicos utilicen su método para diseñar sus propias reacciones, y para ello ha creado una aplicación.
"Siempre que se tenga un reactivo y un producto, se pueden introducir en el modelo y éste generará el estado de transición, a partir del cual se puede calcular la barrera energética de la reacción prevista y ver la probabilidad de que se produzca", explica Duan.
|
