Cuando los químicos diseñan nuevas reacciones químicas, una información útil implica el estado de transición de la reacción, el punto de no retorno del que debe proceder una reacción.
Esta información permite a los químicos tratar de producir las condiciones correctas que permitirán que ocurra la reacción deseada. Sin embargo, los métodos actuales para predecir el estado de transición y la ruta que tomará una reacción química son complicados y requieren una gran cantidad de potencia computacional.
Los investigadores del MIT ahora han desarrollado un modelo de aprendizaje automático que puede hacer estas predicciones en menos de un segundo, con alta precisión. Su modelo podría facilitar que los químicos diseñen reacciones químicas que podrían generar una variedad de compuestos útiles, como productos farmacéuticos o combustibles.
«Nos gustaría poder diseñar procesos para tomar abundantes recursos naturales y convertirlos en moléculas que necesitamos, como materiales y medicamentos terapéuticos.
Ex alumno graduado del MIT Chenru Duan PhD ’22, quien ahora está en Deep Principle; ex alumno graduado de Georgia Tech Guan-Horng Liu, quien ahora está en Meta; y el estudiante graduado de la Universidad de Cornell, Yuanqi Du, son los autores principales del artículo, que aparece hoy en Inteligencia de la máquina de la naturaleza.
Mejores estimaciones
Para que ocurra cualquier reacción química dada, debe pasar por un estado de transición, que tiene lugar cuando alcanza el umbral de energía necesario para que la reacción continúe. Estos estados de transición son tan fugaces que son casi imposibles de observar experimentalmente.
Como alternativa, los investigadores pueden calcular las estructuras de los estados de transición utilizando técnicas basadas en la química cuántica. Sin embargo, ese proceso requiere una gran cantidad de potencia informática y puede tomar horas o días para calcular un solo estado de transición.
«Idealmente, nos gustaría poder usar la química computacional para diseñar procesos más sostenibles, pero este cálculo en sí mismo es un gran uso de energía y recursos para encontrar estos estados de transición», dice Kulik.
En 2023, Kulik, Duan y otros informaron sobre una estrategia de aprendizaje automático que desarrollaron para predecir los estados de transición de las reacciones. Esta estrategia es más rápida que usar técnicas de química cuántica, pero aún más lenta de lo que sería ideal porque requiere que el modelo genere alrededor de 40 estructuras, luego ejecute esas predicciones a través de un «modelo de confianza» para predecir qué estados tenían más probabilidades de ocurrir.
Una razón por la cual ese modelo debe ejecutarse tantas veces es que usa conjeturas generadas aleatoriamente para el punto de partida de la estructura del estado de transición, luego realiza docenas de cálculos hasta que alcanza su última, mejor suposición. Estos puntos de partida generados al azar pueden estar muy lejos del estado de transición real, por lo que se necesitan tantos pasos.
El nuevo modelo de los investigadores, React-ot, descrito en el Inteligencia de la máquina de la naturaleza Documento, utiliza una estrategia diferente. En este trabajo, los investigadores capacitaron a su modelo para comenzar desde una estimación del estado de transición generado por la interpolación lineal, una técnica que estima la posición de cada átomo al moverlo a mitad de camino entre su posición en los reactivos y en los productos, en un espacio tridimensional.
«Una suposición lineal es un buen punto de partida para aproximar dónde terminará ese estado de transición», dice Kulik. «Lo que el modelo está haciendo es comenzar desde una suposición inicial mucho mejor que una suposición completamente aleatoria, como en el trabajo anterior».
Debido a esto, toma el modelo menos pasos y menos tiempo para generar una predicción. En el nuevo estudio, los investigadores mostraron que su modelo podría hacer predicciones con solo unos cinco pasos, tomando aproximadamente 0.4 segundos. Estas predicciones no necesitan ser alimentadas a través de un modelo de confianza, y son aproximadamente un 25 por ciento más precisas que las predicciones generadas por el modelo anterior.
«Eso realmente hace de React-ot un modelo práctico que podemos integrar directamente con el flujo de trabajo computacional existente en la detección de alto rendimiento para generar estructuras óptimas de estado de transición», dice Duan.
«Una amplia gama de química»
Para crear React-OT, los investigadores lo capacitaron en el mismo conjunto de datos que usaron para capacitar a su modelo anterior. Estos datos contienen estructuras de reactivos, productos y estados de transición, calculados utilizando métodos de química cuántica, para 9,000 reacciones químicas diferentes, principalmente que involucran pequeñas moléculas orgánicas o inorgánicas.
Una vez entrenado, el modelo se desempeñó bien en otras reacciones de este conjunto, que se habían mantenido fuera de los datos de entrenamiento. También funcionó bien en otros tipos de reacciones en las que no había sido entrenado, y podría hacer predicciones precisas que involucran reacciones con reactivos más grandes, que a menudo tienen cadenas laterales que no están directamente involucradas en la reacción.
«Esto es importante porque hay muchas reacciones de polimerización en las que tienes una macromolécula grande, pero la reacción está ocurriendo en una sola parte. Tener un modelo que se generaliza a través de diferentes tamaños del sistema significa que puede abordar una amplia gama de química», dice Kulik.
Los investigadores ahora están trabajando en el entrenamiento del modelo para que pueda predecir los estados de transición para las reacciones entre las moléculas que incluyen elementos adicionales, incluyendo azufre, fósforo, cloro, silicio y litio.
«Predecir rápidamente las estructuras del estado de transición es clave para toda la comprensión química», dice Markus Reiher, profesor de química teórica en ETH Zurich, que no participó en el estudio. «El nuevo enfoque presentado en el documento podría acelerar en gran medida nuestros procesos de búsqueda y optimización, lo que nos lleva más rápido a nuestro resultado final. Como consecuencia, también se consumirá menos energía en estas campañas informáticas de alto rendimiento. Cualquier progreso que acelera esta optimización beneficie a todo tipo de investigaciones químicas computacionales».
El equipo del MIT espera que otros científicos hagan uso de su enfoque en el diseño de sus propias reacciones y hayan creado una aplicación para ese propósito.
«Siempre que tenga un reactivo y un producto, puede colocarlos en el modelo y generará el estado de transición, a partir del cual puede estimar la barrera energética de su reacción prevista y ver qué probable es que ocurra», dice Duan.
La investigación fue financiada por la Oficina de Investigación del Ejército de EE. UU., La Oficina de Investigación Básica del Departamento de Defensa de los Estados Unidos, la Oficina de Investigación Científica de la Fuerza Aérea de los Estados Unidos, la Fundación Nacional de Ciencias y la Oficina de Investigación Naval de los Estados Unidos.
