Crear nuevas moléculas es una de las tareas más difíciles de la química. Ya sea que el objetivo sea un medicamento que salve vidas o un ingrediente de vanguardia, cada compuesto debe elaborarse mediante una serie de reacciones cuidadosamente planificadas. Mapear estos pasos requiere una gran habilidad y un pensamiento estratégico, razón por la cual los químicos suelen pasar años dominando el proceso.
Un obstáculo importante es la retrosíntesis. En este método, los químicos comienzan con la molécula final de su elección y trabajan hacia atrás para encontrar materiales de partida más simples y posibles vías de reacción. Esto implica muchas decisiones, como elegir los componentes básicos adecuados, decidir cuándo formar anillos y determinar si las partes sensibles de la molécula necesitan protección. Aunque las computadoras pueden explorar vastos “espacios químicos”, sólo pueden igualar el juicio táctico de químicos experimentados.
Otro desafío involucra los mecanismos de reacción, que describen cómo se desarrollan las reacciones paso a paso a través del movimiento de electrones. Comprender estos procesos permite a los científicos predecir nuevas reacciones, mejorar la eficiencia y evitar costosas pruebas y errores. Aunque las herramientas computacionales actuales pueden sugerir muchas vías posibles, a menudo carecen de la información necesaria para identificar las vías más realistas.
Un nuevo enfoque de IA para el razonamiento químico
Investigadores dirigidos por Philipp Schwaler de la EPFL han desarrollado un nuevo enfoque que utiliza modelos de lenguaje grande (LLM) como herramientas de razonamiento químico. En lugar de generar estructuras químicas directamente, estos modelos sirven como evaluadores que guían los sistemas computacionales existentes.
El nuevo marco, llamado Síntesis, combina algoritmos de búsqueda tradicionales con inteligencia artificial que puede interpretar fórmulas químicas escritas en lenguaje natural.
“Al crear herramientas para químicos, la interfaz de usuario es muy importante, y las herramientas anteriores dependían de filtros y reglas engorrosos”, dice Andrés M. Braun, primer autor del artículo Synthesis publicado en Matter. “Con Synthesis, estamos capacitando a los químicos para que simplemente hablen, permitiéndoles iterar más rápido y navegar por conceptos sintéticos más complejos”.
Cómo la síntesis mejora los esquemas de retrosíntesis
La síntesis comienza con una molécula objetivo y una instrucción sencilla escrita en el lenguaje cotidiano. Por ejemplo, un químico puede solicitar que se fabrique pronto un anillo concreto o que se eviten grupos protectores innecesarios. El software de retrosíntesis estándar genera muchas vías posibles.
Cada una de estas rutas se convierte en texto y se revisa mediante un modelo de lenguaje. La síntesis califica qué tan bien coincide cada alternativa con las instrucciones del químico y explica su razonamiento. Esto facilita clasificar y filtrar las mejores rutas. Al realizar búsquedas con lenguaje natural, los químicos pueden centrarse rápidamente en técnicas que se alinean con sus objetivos.
Comprender los procesos de retroalimentación con IA
La síntesis aplica un enfoque similar a los procesos de reacción. Descompone las reacciones en movimientos básicos de electrones y explora diferentes posibilidades. El modelo de lenguaje evalúa cada paso y busca vías que tengan sentido químico.
El sistema puede incluir detalles adicionales, como condiciones de retroalimentación o conjeturas de expertos, proporcionados en forma de texto. Esta flexibilidad permite a los investigadores perfeccionar sus análisis y explorar escenarios más realistas.
Rendimiento y validación con químicos.
En la planificación de síntesis, Synthgey pudo identificar caminos que correspondían a directivas estratégicas complejas. En un estudio doble ciego, 36 químicos proporcionaron 368 evaluaciones válidas y estuvieron de acuerdo con los resultados de su sistema de evaluación una media del 71,2% de las veces.
El marco puede señalar medidas de protección innecesarias, juzgar cuán factibles son las respuestas y priorizar soluciones eficientes. También muestra que los LLM pueden trabajar en múltiples niveles, desde analizar grupos funcionales hasta evaluar rutas sintéticas completas. Los modelos más grandes tuvieron mejores resultados, mientras que los más pequeños mostraron capacidades más limitadas.
Un nuevo papel para la IA en la química
Esta investigación destaca una forma diferente en que la IA puede apoyar la química. En lugar de reemplazar la toma de decisiones humana, los modelos de lenguaje de síntesis se posicionan como guías que ayudan a interpretar y refinar los resultados computacionales. Los químicos pueden expresar sus objetivos en términos simples y obtener soluciones que reflejen su estrategia.
El enfoque puede acelerar el descubrimiento de fármacos, mejorar el diseño de reacciones y hacer que las herramientas avanzadas sean más accesibles para los científicos.
“La conexión entre los planes de síntesis y los procesos es muy interesante: normalmente utilizamos procesos para descubrir nuevas reacciones que nos permiten sintetizar nuevas moléculas”, dice Andrés M. Braun. “Nuestro trabajo está cerrando esa brecha computacionalmente a través de una interfaz unificada de lenguaje natural”.
Otros contribuyentes
- Centro Nacional de Competencia en Catálisis de Investigación (Catálisis NCCR)
- laboratorio b12
