Crédito:Universidad Aalto
Los investigadores de CEST desarrollaron un nuevo enfoque de aprendizaje automático basado en un espacio latente de baja energía (LOLS) y la teoría funcional de la densidad (DFT) para buscar confórmeros moleculares.
La búsqueda de confórmeros moleculares es un tema de gran importancia en la química computacional, el diseño de fármacos y la ciencia de los materiales. El desafío es identificar confórmeros de baja energía en primer lugar. Esta dificultad surge de la alta complejidad de los espacios de búsqueda, así como del costo computacional asociado con los métodos químicos cuánticos precisos. En el pasado, la búsqueda de conformadores requería mucho tiempo y recursos computacionales.
Para abordar este desafío, el estudiante de doctorado visitante Xiaomi Guo, junto con otros investigadores del CEST Lincan Fang, el Prof. Patrick Rinke, el Dr. Xi Chen y la Prof. Milica Todorovic (Universidad de Turku) exploraron la posibilidad de realizar la búsqueda de confórmeros moleculares en un espacio latente de baja dimensión. Este método utiliza un autocodificador variacional de modelo generativo (VAE) y sesga el VAE hacia configuraciones moleculares de baja energía para generar más datos informativos. De esta manera, el modelo puede aprender efectivamente la superficie potencial de baja energía y, por lo tanto, identificar los confórmeros moleculares relacionados. Los equipos de CEST llaman a su nuevo método búsqueda de conformación de espacio latente de baja energía (LOLS).
En un reciente Journal of Chemical Theory and Computation publicación, los autores probaron este nuevo procedimiento LOLS en aminoácidos y péptidos con cinco a nueve dimensiones de búsqueda. Los nuevos resultados concuerdan bien con estudios previos. El equipo encontró que para moléculas pequeñas como la cisteína, es más eficiente muestrear datos en el espacio real; sin embargo, LOLS resulta ser más adecuado para moléculas más grandes como los péptidos. Los autores ahora planean extender sus métodos de búsqueda de estructuras a materiales más complejos más allá de las moléculas. El nuevo enfoque de aprendizaje automático acelera la búsqueda de confórmeros moleculares