Se han hecho muchos intentos para aprovechar el poder de la nueva inteligencia artificial y los modelos de lenguaje grande (LLM) para tratar de predecir los resultados de las nuevas reacciones químicas. Estos han tenido un éxito limitado, en parte porque hasta ahora no se han basado en la comprensión de los principios físicos fundamentales, como las leyes de conservación de la masa. Ahora, un equipo de investigadores del MIT ha presentado una forma de incorporar estas limitaciones físicas en un modelo de predicción de reacción y, por lo tanto, mejorar en gran medida la precisión y confiabilidad de sus resultados.
El nuevo trabajo fue reportado el 20 de agosto en la revista. Naturalezaen un artículo de Postdoc JoyOong Joung (ahora profesor asistente en la Universidad de Kookmin, Corea del Sur); ex ingeniero de software Mun Hong Fong (ahora en la Universidad de Duke); Estudiante graduado de ingeniería química Nicholas Casetti; Postdoc Jordan Liles; Estudiante de pregrado de física NE Dassanayake; y el autor senior Connor Coley, quien es profesor de desarrollo profesional de 1957 en los Departamentos de Ingeniería Química e Ingeniería Eléctrica e Informática.
«La predicción de los resultados de reacción es una tarea muy importante», explica Joung. Por ejemplo, si desea hacer un nuevo medicamento, «necesita saber cómo hacerlo. Por lo tanto, esto requiere que sepamos qué producto es probable» que resulte de un conjunto dado de entradas químicas a una reacción. Pero la mayoría de los esfuerzos anteriores para llevar a cabo tales predicciones solo miran un conjunto de entradas y un conjunto de salidas, sin mirar los pasos intermedios o considerar las limitaciones de garantizar que no se gane o se pierda masa en el proceso, lo que no es posible en las reacciones reales.
Joung señala que, si bien los modelos de idiomas grandes como ChatGPT han tenido mucho éxito en muchas áreas de investigación, estos modelos no proporcionan una forma de limitar sus resultados a posibilidades físicamente realistas, como exigirles que se adhieran a la conservación de la masa. Estos modelos usan «tokens» computacionales, que en este caso representan átomos individuales, pero «si no conserva los tokens, el modelo LLM comienza a hacer átomos nuevos o elimina los átomos en la reacción». En lugar de estar basado en una verdadera comprensión científica, «esto es como una alquimia», dice. Si bien muchos intentos de predicción de reacción solo miran los productos finales, «queremos rastrear todos los productos químicos y cómo se transforman los productos químicos» a lo largo del proceso de reacción de principio a fin, dice.
Para abordar el problema, el equipo hizo uso de un método desarrollado en la década de 1970 por el químico Ivar Ugi, que utiliza una matriz de electrones de enlace para representar los electrones en una reacción. Utilizaron este sistema como base para su nuevo programa, llamado Flower (coincidencia de flujo para la redistribución de electrones), lo que les permite realizar un seguimiento explícito de todos los electrones en la reacción para garantizar que ninguno se agregue o elimine espuriosamente en el proceso.
El sistema utiliza una matriz para representar los electrones en una reacción y utiliza valores distintos de cero para representar enlaces o pares de electrones solitarios y ceros para representar una falta de ellos. «Eso nos ayuda a conservar átomos y electrones al mismo tiempo», dice Fong. Esta representación, dice, fue uno de los elementos clave para incluir la conservación de masas en su sistema de predicción.
El sistema que desarrollaron todavía está en una etapa temprana, dice Coley. «El sistema tal como está es una demostración: una prueba de concepto de que este enfoque generativo de la coincidencia de flujo es muy adecuado para la tarea de predicción de reacción química». Si bien el equipo está entusiasmado con este enfoque prometedor, dice: «Somos conscientes de que tiene limitaciones específicas en cuanto a la amplitud de diferentes químicas que se ve». Aunque el modelo fue entrenado utilizando datos sobre más de un millón de reacciones químicas, obtenidas de una base de datos de la oficina de patentes de EE. UU., Esos datos no incluyen ciertos metales y algunos tipos de reacciones catalíticas, dice.
«Estamos increíblemente entusiasmados con el hecho de que podemos obtener predicciones tan confiables de los mecanismos químicos» del sistema existente, dice. «Conserva la masa, conserva electrones, pero ciertamente reconocemos que también hay mucha más expansión y robustez en los próximos años».
Pero incluso en su forma actual, que se está haciendo gratuitamente a través de la plataforma en línea GitHub, «creemos que hará predicciones precisas y será útil como una herramienta para evaluar la reactividad y mapear las vías de reacción», dice Coley. «Si estamos mirando hacia el futuro de avanzar realmente en el estado del arte de la comprensión mecanicista y ayudar a inventar nuevas reacciones, no estamos del todo allí. Pero esperamos que sea un trampolín hacia eso».
«Todo es código abierto», dice Fong. «Los modelos, los datos, todos ellos están allí», incluido un conjunto de datos anterior desarrollado por Joung que enumera exhaustivamente los pasos mecanicistas de reacciones conocidas. «Creo que somos uno de los grupos pioneros que hacen este conjunto de datos, y lo ponemos a disposición de la fuente abierta, y lo hacemos utilizable para todos», dice.
El modelo de flores coincide o supera a los enfoques existentes para encontrar vías mecanicistas estándar, dice el equipo, y hace posible generalizar a los tipos de reacción previamente invisibles. Dicen que el modelo podría ser potencialmente relevante para predecir reacciones para la química medicinal, el descubrimiento de materiales, la combustión, la química atmosférica y los sistemas electroquímicos.
En sus comparaciones con los sistemas de predicción de reacción existentes, Coley dice: «Utilizando las opciones de arquitectura que hemos hecho, obtenemos este aumento masivo en validez y conservación, y obtenemos una precisión coincidente o un poco mejor en términos de rendimiento».
Agrega que «lo único de nuestro enfoque es que, si bien estamos utilizando estas entendimientos de libros de texto de los mecanismos para generar este conjunto de datos, estamos anclando los reactivos y productos de la reacción general en datos validados experimentalmente de la literatura de patentes». Inferían los mecanismos subyacentes, dice, en lugar de simplemente inventarlos. «Los estamos imputando de datos experimentales, y eso no es algo que se haya hecho y compartido a este tipo de escala antes».
El siguiente paso, dice, es «estamos bastante interesados en expandir la comprensión del modelo de metales y ciclos catalíticos. Acabamos de rascar la superficie en este primer artículo», y la mayoría de las reacciones incluidas hasta ahora no incluyen metales o catalizadores, «así que esa es una dirección que estamos bastante interesados».
A largo plazo, dice: «Gran parte de la emoción está en el uso de este tipo de sistema para ayudar a descubrir nuevas reacciones complejas y ayudar a dilucidar nuevos mecanismos. Creo que el impacto potencial a largo plazo es grande, pero esto es, por supuesto, un primer paso».
El trabajo fue apoyado por el aprendizaje automático para el consorcio de descubrimiento farmacéutico y síntesis y la National Science Foundation.
