Las configuraciones 3D de átomos dictan todas las propiedades de los materiales. Predicciones cuantitativas de estructuras de equilibrio precisas, Coordenadas 3D de todos los átomos, de un gráfico químico, una representación de la fórmula estructural, es una tarea desafiante y computacionalmente costosa que se encuentra al comienzo de prácticamente todos los flujos de trabajo de química computacional. Investigadores de la Universidad de Viena han desarrollado un nuevo modelo basado en aprendizaje automático para atajar cálculos costosos para predecir directamente estructuras a partir de gráficos. El nuevo método para "predicciones de estructuras libres de energía basadas en aprendizaje automático de moléculas, estados de transición, y sólidos "se presenta en el último número de Comunicaciones de la naturaleza .

Aunque comúnmente representado como rígido, Los compuestos químicos son objetos tridimensionales flexibles formados por átomos que se mueven y oscilan continuamente. Cyrus Levinthal señaló ya en 1969 que la gran cantidad de grados de libertad de los compuestos químicos conduce formalmente a un número catastróficamente grande de posibles conformaciones hasta 10, 300 (Paradoxon de Levinthal). Dentro de las observaciones experimentales, sin embargo, Las configuraciones 3D de átomos corresponden a mínimos de energía libre bien definidos y, por lo tanto, dictan todas las propiedades de los materiales. El paradigma de que la estructura determina la función es clave para determinar las interacciones farmacológicas, optimizar catalizadores o reacciones, y descubrimiento de materiales. Como consecuencia, en la mayoría de las campañas de cribado computacional de alto rendimiento (un método para la experimentación científica rápida), sólo se buscan las configuraciones más estables. Dependiendo del nivel de sofisticación dentro de las aproximaciones hechas al estimar las estabilidades de los materiales, El costo computacional puede variar de minutos a horas o incluso días para el cálculo de una sola estructura. Dada la inmensidad del espacio de compuestos químicos, el espacio poblado por todos los compuestos imaginables (estimado en más de 1, 060) esta compensación de costo-calidad representa un cuello de botella importante en el campo.

Investigadores de la Universidad de Viena dirigidos por Anatole von Lilienfeld abordaron este problema desde una perspectiva diferente, desarrollar un nuevo método que aproveche los datos y sea universalmente aplicable a cualquier tipo de química. Su nuevo método, Graph2Structure, utiliza datos químicos cuánticos de alta calidad para entrenar modelos de aprendizaje automático capaces de predecir nuevas estructuras 3D para gráficos moleculares de compuestos invisibles. Este mapeo directo de un gráfico molecular a una configuración 3D específica permite que el modelo evite de manera efectiva cualquier forma de minimización de energía, lo que lleva a una aceleración de más de un millón en comparación con los métodos convencionales. "La posibilidad de generar estructuras de alta calidad no solo acelera el diseño molecular de alto rendimiento, pero también acelera el flujo de trabajo diario, "dice el autor principal del estudio en Comunicaciones de la naturaleza Dominik Lemm. "Generación confiable de estructuras 3D para incluso químicas exóticas, como sistemas de capa abierta o estados de transición, es una de las tareas más difíciles de la simulación atomística ".

Otros hallazgos sugieren que las estructuras generadas se pueden utilizar directamente como una entrada para la evaluación posterior de los modelos de predicción de propiedades basados ​​en el aprendizaje automático. vinculando así un gráfico molecular a una propiedad dependiente de la estructura de una manera rigurosa y más eficaz.