Científicos de Rusia, Estonia y el Reino Unido han creado un nuevo método para predecir el factor de bioconcentración (BCF) de moléculas orgánicas. Aprovechando los modelos clásicos de interacciones fisicoquímicas entre el solvente y el soluto y los métodos avanzados de aprendizaje automático, el nuevo enfoque permite predecir propiedades complejas de una sustancia basándose en un conjunto mínimo de datos de entrada. Los resultados del estudio se publicaron en Journal of Physics:materia condensada .
Una de las características más importantes de las sustancias orgánicas, BCF representa la cantidad de sustancia que se concentra en un tejido en relación con la cantidad de esa sustancia que existe en el medio ambiente en condiciones de equilibrio. El BCF se utiliza ampliamente para evaluar la seguridad de varios compuestos químicos y se puede medir en la práctica. Por ejemplo, puede colocar una sustancia problema en la pecera, esperar hasta que se alcance el equilibrio, y luego medir su concentración tanto en el pescado como en el agua. Pero, ¿qué sucede si desea estimar el BCF basándose únicamente en cálculos?
Una forma de hacer esto es generar un conjunto de parámetros de moléculas (descriptores) y construir un modelo matemático basado en estas entradas. El modelo puede resultar bastante preciso, pero puede ser difícil de interpretar debido a una gran cantidad de parámetros. Y peor aun Es posible que el modelo no funcione correctamente para compuestos que difieran mucho de los del conjunto de entrenamiento.
El segundo método se basa en la teoría molecular de los líquidos que describe el comportamiento de sustancias en soluciones. Sin embargo, La bioconcentración es un parámetro complejo que depende de una variedad de factores, por lo que difícilmente puede predecirse aplicando directamente la teoría fisicoquímica.
Científicos de Skoltech, la Universidad de Tartu (Estonia) y la Universidad de Strathclyde (Reino Unido), dirigido por el profesor de Skoltech Maxim Fedorov, desarrollaron un método híbrido de predicción de BCF que consta de dos pasos:primero, los investigadores realizan cálculos físico-químicos para obtener densidades tridimensionales de hidrógeno y oxígeno alrededor de la molécula en estudio y luego aplican redes neuronales convolucionales tridimensionales, una tecnología utilizada con éxito en reconocimiento de imagen. Este enfoque demuestra que las propiedades complejas de las sustancias orgánicas se pueden describir incluso con una pequeña cantidad de datos de entrada.
"Nuestro método hará que sea mucho más fácil predecir el impacto ambiental de una sustancia dada. Pero lo más importante es que hemos desarrollado un método universal para describir una molécula de tal manera que su imagen 3-D se pueda transferir a un Red neuronal convolucional 3-D. A largo plazo, nuestro método ayudará a predecir las propiedades de varias moléculas 'exóticas' y compuestos novedosos donde los métodos existentes de relación estructura-propiedad no funcionan, ", dijo el primer autor y estudiante de doctorado de Skoltech, Sergey Sosnin.
