Cómo predecir el comportamiento de las moléculas a partir de datos escasos

Qué ocurrió

La investigación realizada en el Instituto Tecnológico de Massachusetts (MIT) ha dado lugar a un modelo de aprendizaje automático denominado CheMeleon, que promete revolucionar la forma en que se predicen las propiedades de las moléculas, especialmente en el ámbito farmacéutico. Este modelo se ha desarrollado para abordar la necesidad de predecir el comportamiento de compuestos químicos con escasa información, un desafío común en la industria.

Los datos clave

CheMeleon se basa en el preentrenamiento de un modelo de aprendizaje automático con datos de un millón de moléculas, lo que le permite aprender correlaciones entre la estructura de las moléculas y su comportamiento en relación con aproximadamente 1,600 descriptores químicos. A diferencia de otros modelos que requieren grandes cantidades de datos de la literatura científica, CheMeleon utiliza descriptores moleculares calculados, lo que le permite predecir propiedades como solubilidad y viscosidad, así como características más complejas como bioactividad o reactividad.

El modelo ha sido utilizado por varias compañías farmacéuticas desde su lanzamiento, y durante un concurso de predicción de propiedades moleculares, se descubrió que nueve de las 20 mejores entradas habían utilizado CheMeleon. Esto ha llevado a que al menos una empresa farmacéutica adopte oficialmente su uso como política para la modelización de propiedades.

Lo que aún no se sabe

El artículo no detalla las limitaciones específicas del modelo, aunque se menciona que, a pesar de ser entrenado con un número relativamente pequeño de moléculas, CheMeleon ha demostrado un rendimiento superior en comparación con otros modelos de fundación y modelos clásicos basados en principios diseñados por expertos.

Lectura final

CheMeleon representa un avance significativo en la predicción de propiedades moleculares, lo que podría acelerar el proceso de descubrimiento de nuevos fármacos y materiales en diversas industrias. Su capacidad para reducir la cantidad de experimentos necesarios para evaluar nuevos compuestos puede significar un ahorro considerable en tiempo y recursos, transformando la investigación química y farmacéutica.