El estudiante de doctorado en ingeniería química Soumil Joshi (en primer plano) analiza el trabajo en un nuevo modelo de IA para analizar biomateriales con el profesor asistente e investigador principal Sanket Deshmukh. Joshi fue el autor principal de un artículo de investigación del laboratorio Deshmukh publicado recientemente en una revista en línea afiliada a Nature . Crédito:Tonia Moxley para Virginia Tech
La innovación a menudo conduce a nuevos productos, pero los nuevos métodos pueden ser igualmente innovadores.
Fue la oportunidad de ayudar a desarrollar esos métodos lo que atrajo al estudiante de doctorado en ingeniería química Soumil Joshi de su natal Mumbai, India, a Virginia Tech en 2019.
"Es una gran escuela, especialmente para el campo de la ingeniería química, y tiene una gran reputación por la investigación sobre polímeros, lo cual estoy agradecido de estar haciendo aquí", dijo Joshi.
Y en marzo, tres años de trabajo llevaron a que su nombre figurara como primer autor en un artículo que describe un nuevo método computacional para trabajar con polímeros que él y su asesor, el profesor asistente Sanket Deshmukh, esperan que conduzca a avances biomédicos significativos.
El artículo, titulado "Dinámica molecular de grano grueso integrada con la red neuronal convolucional para comparar formas de cepillos para botellas sensibles a la temperatura", detalla un método desarrollado por el laboratorio Deshmukh, incluido el coautor y académico invitado Samrendra Singh, que utiliza inteligencia artificial para analizar la forma de importantes materiales blandos complejos y predecir su comportamiento.
Fue publicado en npj Computational Materials , una revista de acceso abierto de Nature , y no solo promete permitir nuevos descubrimientos en biomateriales, sino que destaca la creciente importancia de los macrodatos, la inteligencia artificial y la ciencia computacional en la ingeniería química.
Estas innovaciones asistidas por computadora son fundamentales para avanzar en una variedad de campos, dijo Deshmukh. "Hay problemas científicos de larga data que no pueden resolverse con los métodos existentes, por lo que resolver problemas y desarrollar nuevos métodos van de la mano".
Los investigadores desarrollaron su método de "aprendizaje profundo" para trabajar con los llamados "materiales blandos".
En el aprendizaje profundo, los sistemas de inteligencia artificial están capacitados para reconocer patrones, trabajar en problemas y realizar tareas, con o sin supervisión humana. Los materiales blandos pueden incluir líquidos, polímeros, glicomateriales, espumas, geles y la mayoría de los materiales biológicos blandos. Se utilizan en una amplia gama de productos y aplicaciones, desde pasta de dientes, lubricantes y pantallas de cristal líquido hasta sistemas de administración de fármacos y andamios de tejidos. Pero los métodos computacionales tradicionales para analizar y predecir sus comportamientos, especialmente los polímeros, tienen una utilidad limitada, lo que dificulta el progreso en su desarrollo.
Para ayudar a romper ese atasco, los investigadores trabajaron con un tipo de polímeros ramificados en forma de árbol llamados "escobillas de botella". Su inspiración provino de las biomoléculas, cuyas diferentes formas determinan sus funciones. Sintetizarlos en el laboratorio podría conducir a nuevos tratamientos médicos y otras aplicaciones industriales, dijo Deshmukh. Pero eso puede ser difícil porque los polímeros cambian de forma rápidamente, dependiendo de la temperatura y otros factores. Sin una forma eficiente y precisa de analizar y predecir esos cambios, es difícil crear versiones sintéticas.
Su nuevo proceso utiliza un conocido sistema de aprendizaje profundo llamado Red Neural Convolucional, o CNN, para identificar y predecir similitudes en forma y función en los polímeros, algo que no se puede hacer sin la ayuda de una computadora.
Applying artificial intelligence to this polymer problem is "groundbreaking because it shows the potential of deep learning methods in the field of soft materials," Deshmukh said. "So, in principle, if we understand how the shapes are changing, then hopefully we can control them."
To prove their method would work, Joshi ran 100 unique CNN models, teaching the system to identify bottlebrushes with similar shapes. The project was challenging, not just because it required painstaking work to teach the model what data and features to look for in the polymers, but also because the researchers didn't immediately know what features were relevant. They had to figure that out first.
Developing the models took more than a year, Deshmukh said. "Singh and Joshi did a fantastic job in identifying the processing of the relevant data and then further refining it to make sure the CNN model gets the right information."
"Most of the initial brainstorming on what features to use was carried out by Dr. Singh and Dr. Deshmukh, which helped eliminate plenty of unfavorable options," Joshi said. "This helped us zero in on our current methodology, which I used to code and incorporate into our analysis algorithm."
The results have been very promising, Joshi said, and the team hopes to expand use of the technique into the growing field of glycomaterials—carbohydrate-based soft materials produced by every living organism.
These soft materials contain chains of sugars, called glycans, that play critical roles in health and disease. Of the four building blocks of life—glycans, proteins, lipids, and nucleic acids—glycans are the most complex and the most challenging to understand. But CNN could spur progress in this area.
"So, just like we created these bottlebrush structures for synthetic polymers, there are a lot of architectures that can be created using glycomaterials and polymers like these glycans," Deshmukh said.
"We plan to help our collaborators design new types of glycomaterials that can be used for biomedical applications," Deshmukh said. "It's really exciting."
This research also points to the growing importance of data science and machine learning in chemical engineering, department head Steven Wrenn said.
"It's important that our graduates know how to work with data scientists and use computer modeling in their own work," Wrenn said. "This training will make our students much more attractive to employers and graduate programs."
In fact, the department is working on a new computational and data science track of study, which, if approved, will train undergraduates to apply computer science to chemical engineering. Deshmukh is involved in developing the study track.
"Training a chemical engineer who is going to work in a chemical plant in data science and artificial intelligence makes them a real asset," Deshmukh said. "Because they are going to help solve problems in the chemical industry that can't really be solved using traditional methods." Novel machine learning based framework could lead to breakthroughs in material design