Un equipu de la institución académica diseña una novedosa arquitectura basada en redes neuronales artificiales que dexa predicir con alta precisión y coherencia física propiedaes químiques locales | Esta innovación promete revolucionar la conocencia de la química al apurrir predicciones cuantitatives precises y, lo que ye más importante, refundiar, per primer vegada, interpretaciones químiques comprensibles | L'estudiu, lideráu pol Grupu de Química Teórica y Computacional de la Universidá d'Uviéu en collaboración cola Universidá de Luxemburgu, foi publicáu na revista ‘Nature Communications’, de máximu impactu na so área de la conocencia
El Grupu de Química Teórica y Computacional de la Universidá d'Uviéu (QTCOVI), en collaboración cola Universidá de Luxemburgu, desenvolvió una innovadora arquitectura de machine learning qu'ameyora significativamente la precisión y interpretabilidad de les predicciones químiques. Esta meyora, resultáu de la sinergia ente la intelixencia artificial y la llamada topoloxía químicu- cuántica, allana el camín escontra una intelixencia artificial químicamente esplicable. D'esta miente, el investigadores esanicien el pescuezu de botella qu'hasta agora torgó l'estudiu rigorosu de sistemes químicos complexos y de gran tamañu. L'afayu foi publicáu na revista Nature Communications, de máximu impactu na so área de la conocencia.
L'equipu d'investigadores de la universidá asturiana, nuna meyora significativa pa la química computacional, diseñó xuna novedosa arquitectura basada en redes neuronales artificiales que dexa predicir con alta precisión y coherencia física propiedaes químiques locales. Esta innovación promete revolucionar la conocencia de la química al apurrir predicciones cuantitatives precises y, lo que ye más importante, refundiar, per primer vegada, interpretaciones químiques comprensibles.
El investigadores apunten que, tradicionalmente, la descripción rigorosa de la química tuvo llindada a estudios de pequenes molécules por cuenta del so altu costu computacional. Esta situación camudó cola llegada de modelos d'intelixencia artificial que dexen predicir un ensame de descriptores y propiedaes químiques ensin necesidá de realizar los cálculos de mecánica cuántica riquíos polos algoritmos convencionales. Asina, nos últimos años, abondó'l desenvolvimientu de modelos d'intelixencia artificial capaces d'asemeyar computacionalmente molécules complexes y de gran tamañu en fracciones de segundu.
Los modelos d'intelixencia artificial comunes presenten, sicasí, dos grandes inconvenientes. De primeres, nun ufierten indicadores d'incertidume, lo que puede llevar a predicciones errátiques cuando s'apliquen en partes del espaciu químicu bien distintos a les utilizaes mientres el so entrenamientu. De segundes, escarecen de interpretabilidad, polo qu'apurren resultaos bien precisos ensin revelar la lóxica subxacente. Por esta razón, dizse que se porten como auténtiques caxes negres.
Topoloxía químicu-cuántica
Pa encetar esti problema, el investigadores propunxeron aprovechar el rigor de les teoríes físiques modernessobremanera, la topoloxía químicu-cuántica, na cual el grupu tien delles décades d'esperiencia. “La topoloxía químicu-cuántica apurre un marcu teóricu rigorosu pal estudiu de la química nel espaciu real. Esta teoría basar nel analís topolóxicu de diversos campos esguilares, como la densidá electrónica”, asegura Ángel Martín Pendás, catedráticu del Departamentu de Química Física y Analítica de la Universidá d'Uviéu. Asina, la topoloxía químicu-cuántica establez un marcu ideal pal desenvolvimientu de ferramientes teóriques d'alta calidá pal estudiu de la química, como la teoría cuántica d'átomos en molécules o l'esquema de partición enerxética d'átomos cuánticos interactuantes.
D'esta manera, el grupu de la Universidá d'Uviéu propúnxose combinar intelixencies artificiales d'última xeneración con técniques físicamente rigoroses como la teoría cuántica d'átomos en molécules o l'esquema de partición enerxética d'átomos cuánticos interactuantes. “Pensamos que, si desenvolvemos arquitectures d'intelixencia artificial qu'apriendan directamente propiedaes de topoloxía químicu-cuántica locales nel espaciu real, podríamos llograr modelos interpretables y tresferibles”, sostien Miguel Gal.legos, estudiante de doctoráu del grupu d'investigación.
Extrapolación, transferibilidad y interpretabilidad
L'arquitectura desenvuelta pol grupu, bautizada SchNet4AIM, emplega redes neuronales convolucionales p'aprender de forma autónoma a describir les redolaes químiques de cada átomu nuna molécula. Darréu, xuna segunda rede crea un espaciu latente pa conectar cada unu d'estos descriptores al espaciu de propiedaes químiques. Esta estratexa dexa reconstruyir propiedaes de les molécules como xuna combinación de términos atómicos y de pareya, xuna aproximamientu qu'oldea colo que se suel faer nesti campu. “Na aplicación de la intelixencia artificial na química, lo más frecuente ye que los modelos apriendan directamente les propiedaes moleculares, que resulten de la combinación de términos qu'escarecen de sentíu físicu”, aseguren el investigadores.
Les resultancies llograes demuestren qu'esta estratexa ufierta predicciones atómiques y de pareyes desaxeradamente precises y físicamente coherentes. Sicasí, la verdadera novedá nun mora na precisión – "llograr modelos precisos qu'algamen les llendes de precisión de los algoritmos convencionales ta a la orde del día"–, sinón na generalizabilidad y transferibilidad de los modelos. "Lo que nos sosprendió foi que SchNet4AIM ye capaz de predicir fielmente molécules muncho más complexes que les vistas mientres l'entrenamientu", sorrayen. Esto ye peculiar, una y bones la mayoría de los modelos d'intelixencia artificial química fallen cuando s'utilicen fora del so dominiu de conocencia, lo que se conoz como extrapolación. Esta interesante característica, siendo xuna manifestación de la transferibilidad y rigor de les teoríes de topoloxía químicu-cuántica, abre la puerta a arreglar unu de los mayores problemes na intelixencia artificial química moderna. “Les intelixencies artificiales actuales yá demostraron ser capaces de superar les llendes de precisión en química, pero suelen tener un rangu d'aplicación daqué llindáu. Unu de los mayores retos agora mesmu céntrase en consiguir modelos xenerales, d'aplicación universal”, comenten dambos investigadores.
Amás, esta localidá química aprovechada polos investigadores tien xuna consecuencia inesperada: los modelos amuesen xuna interpretabilidad intrínseca. "Los nuesos modelos demostraron ser capaces d'identificar y, lo que ye más importante entá, esplicar la deslocalización electrónica que surde a lo llargo d'un procesu d'unión supramolecular. Asina, non solo revelen cuándo y ónde apaecen posibles puntos d'unión ente amestando y receptor, sinón que tamién indiquen qué interacciones de pareya apoderen diches uniones", espliquen. Esto constitúi un pasu fundamental escontra'l desenvolvimientu d'intelixencies artificiales químicamente esplicables, unu de los campos emerxentes na investigación nesta materia.
Globalmente, esta meyora señala xuna sinergia prometedora ente la topoloxía químicu- cuántica y l'intelixencia artificial y antemana la creación de ferramientes computacionales con numberoses aplicaciones potenciales como'l diseñu de fármacos novedosos o materiales con propiedaes sintonizables. Con tou, y magar les sos impresionantes capacidaes, SchNet4AIM enfrentar a desafíos, como entender cómo les propiedaes moleculares son influyíes polos sos componentes locales en sistemes realmente complexos o cómo estes postreres dependen de les variables físiques del sistema. Asina, el investigadores aseguren qu'entá queda muncho trabayu por faer nesta llínea d'investigación.
Pies de semeya: de izquierda a derecha, María Menéndez Herrero, Fernando Jiménez Grávalos, Miguel Gallegos Gonźalez , Julen Munárriz Tabuenca, Aurora Costales Castro, Ángel Martín Pendás, Evelio Francisco Miguélez, Dimas Suárez Rodríguez, Natalia Díaz Fernández.
Referencia
Gallegos, M., Vassilev-Galindo, V., Poltavsky, I. et al. Explainable chemical artificial intelligence from accurate machine learning of real-space chemical descriptors. Nat Commun 15, 4345 (2024). https://doi.org/10.1038/s41467-024-48567-9