Actualmente hay pocos problemas que la IA y el aprendizaje automático no puedan ayudar a superar. Investigadores de la Universidad Nacional de Yokohama están utilizando esta moderna ventaja para resolver lo que los métodos convencionales no pueden resolver.
Hay muchas reglas para recordar cuando se trata de la interacción de moléculas que contienen carbono (u orgánicas):la posición de los grupos en la molécula que interactúan con su entorno, el tamaño, la forma y la posición de la molécula, y la molécula con la que está interactuando. El resultado de una reacción determinada puede ser muy diferente dependiendo de estos factores y muchos más, y predecir estos resultados ha demostrado ser todo un desafío en el campo químico. Controlar el resultado es un componente muy necesario de la síntesis química, pero las predicciones no siempre son suficientes.
Afortunadamente, el aprendizaje automático y la inteligencia artificial (IA) una vez más pueden ayudar a impulsar el progreso al predecir la velocidad o selectividad de una reacción determinada. Por lo tanto, esta tecnología puede resultar útil para predecir qué producto se puede esperar.
Los investigadores han publicado sus hallazgos en el Journal of Chemical Information and Modeling. .
En química orgánica, cada detalle importa. Dos áreas comunes que pueden afectar la forma en que una molécula interactúa con otras moléculas son los estéricos y los orbitales. Los estéricos se refieren a la disposición de las moléculas y los efectos estéricos pueden determinar la forma y la reactividad de la molécula. Esto puede deberse al tamaño o la carga de la molécula o del átomo individual. Los orbitales son una forma de explicar la ubicación más probable de los electrones que a su vez pueden interactuar con otras moléculas o átomos para provocar reacciones.
Estos factores pueden cambiar drásticamente el lugar donde un nucleófilo, o un reactivo donador de electrones, puede unirse a la molécula receptora. Esto se conoce como "selectividad" y, dependiendo de dónde se una la molécula, los resultados pueden formar diferentes productos o rendimientos del producto deseado. Los investigadores están utilizando la IA y el aprendizaje automático, así como el conocimiento actual de las reacciones químicas, para explicar mejor estos aspectos de la selectividad molecular.
"Para determinar qué información se puede utilizar como información química esencial para la IA, es necesario combinar el conocimiento químico con el conocimiento de la IA y el aprendizaje automático", dijo el autor correspondiente Hiroaki Gotoh, profesor asociado de la Facultad de Ingeniería de Yokohama. Universidad Nacional.
En primer lugar, había que alimentar a la computadora con cierta información para que pudiera aprender. Para iniciar el proceso de enseñanza de la IA se utilizó información de la literatura en química computacional e información de estudios previos. Después de ingresar algunos datos manualmente para las moléculas específicas que se estaban utilizando y establecer parámetros óptimos, se realizaron análisis de datos basados en los resultados previstos del conjunto de datos de prueba. Estos análisis permiten que la IA aprenda y prediga selectividades futuras basándose en información ya conocida.
"Este método permite un análisis e interpretación más completos de los mecanismos de reacción mediante el cálculo de los parámetros de los espacios esféricos que imitan a los nucleófilos que se acercan", dijo Daimon Sakaguchi, primer autor del estudio en el departamento de química y ciencias biológicas de la Universidad Nacional de Yokohama.
El estudio explicó con éxito la selectividad de la reacción 323 de ocho nucleófilos, basándose en qué "cara" de la molécula produciría la cantidad más deseable de producto. La selectividad cambia según los estéricos de la molécula además de sus factores orbitales. Los investigadores descubrieron que para algunas moléculas, el factor orbital es más importante para determinar la selectividad facial, y otras dependen más de los estéricos de la molécula cuando interactúa con su nucleófilo.
La combinación de tecnología predictiva y aprendizaje automático con conocimientos establecidos de química puede producir mejores resultados de la reacción química y ayudar a los químicos a sintetizar productos naturales y químicos farmacéuticos de una manera más ágil.
Al simplificar este proceso con el uso de aprendizaje automático e inteligencia artificial, se podrá experimentar más. Idealmente, los investigadores esperan colaborar con químicos experimentales para diseñar reacciones que continuarán con el desarrollo de tecnología más predictiva para reacciones químicas.
Más información: Daimon Sakaguchi et al, Uso de información tridimensional para predecir e interpretar las selectividades faciales de adiciones nucleofílicas a cetonas cíclicas, Revista de información y modelado químico (2024). DOI:10.1021/acs.jcim.4c00101
Información de la revista: Revista de información y modelado químico
Proporcionado por la Universidad Nacional de Yokohama