Los investigadores del laboratorio de Abigail Doyle de Princeton y la profesora de Química A. Barton Hepburn, colaboraron con el profesor de Ciencias de la Computación Ryan Adams para desarrollar software de código abierto que les proporciona un algoritmo de optimización de vanguardia para usar en el trabajo diario, incorporando lo aprendido en el campo del aprendizaje automático o inteligencia artificial en química sintética.
En los últimos años, los investigadores han recurrido cada vez más a técnicas de ciencia de datos para ayudar a resolver problemas en síntesis orgánica, en este caso, a la inteligencia artificial (IA).
El software de inteligencia artificial adapta los principios clave de la optimización bayesiana para permitir síntesis de sustancias químicas más rápidas y eficientes.
Inteligencia artificial (IA), El método utilizado
Basado en el Teorema de Bayes, una fórmula matemática para determinar la probabilidad condicional, la optimización bayesiana es una estrategia ampliamente utilizada en las ciencias. En términos generales, permite que las personas y las computadoras utilicen conocimientos previos para informar y optimizar decisiones futuras.
Los químicos del laboratorio de Doyle, en colaboración con Adams, profesor de informática, y colegas de Bristol-Myers Squibb, compararon las capacidades de toma de decisiones humanas con el paquete de software de IA. Descubrieron que la herramienta de optimización produce tanto una mayor eficiencia sobre los participantes humanos como menos sesgos en una reacción de prueba. Su trabajo aparece en el número actual de la revista Nature.
«La optimización de la reacción es omnipresente en la síntesis química, tanto en el ámbito académico como en la industria química», dijo Doyle. «Dado que el espacio químico es tan grande, es imposible para los químicos evaluar la totalidad de un espacio de reacción experimentalmente. Queríamos desarrollar y evaluar la optimización bayesiana como una herramienta para la química sintética dado su éxito en los problemas de optimización relacionados en las ciencias».
Benjamin Shields, ex becario postdoctoral en el laboratorio Doyle y autor principal del artículo, creó el paquete Python.
«Vengo de experiencia en química sintética, por lo que definitivamente aprecio que los químicos sintéticos sean bastante buenos para abordar estos problemas por sí mismos», dijo Shields.»Creo que la verdadera fortaleza de la optimización bayesiana es que nos permite modelar estos problemas de alta dimensión y capturar tendencias que tal vez no veamos nosotros mismos en los datos, por lo que puede procesar los datos mucho mejor».
¿Cómo funciona?
El software de inteligencia artificial comenzó como un proyecto fuera de campo para cumplir con los requisitos de doctorado de Shields. Doyle y Shield luego formaron un equipo bajo el Centro de Síntesis Asistida por Computadora (C-CAS), una iniciativa de la Fundación Nacional de Ciencias lanzada en cinco universidades para transformar la forma en que se planifica y ejecuta la síntesis de moléculas orgánicas complejas. Doyle ha sido investigador principal de C-CAS desde 2019.
También podría interesarte: Artista recrea el aspecto de emperadores romanos con Reconstrucción facial en Photoshop
«La optimización de la reacción puede ser un proceso costoso y que requiere mucho tiempo», dijo Adams, quien también es el director del Programa de Estadística y Aprendizaje Automático. «Este enfoque no solo lo acelera mediante el uso de técnicas de vanguardia, sino que también encuentra mejores soluciones de las que los humanos normalmente identificarían. Creo que esto es solo el comienzo de lo que es posible con la optimización bayesiana en este espacio».
Los usuarios comienzan definiendo un espacio de búsqueda (experimentos plausibles a considerar) como una lista de catalizadores, reactivos, ligandos, solventes, temperaturas y concentraciones. Una vez que ese espacio está preparado y el usuario define cuántos experimentos ejecutar, el software elige las condiciones experimentales iniciales a evaluar. Luego sugiere nuevos experimentos para ejecutar, a través de un elenco cada vez más pequeño de opciones hasta que la reacción se optimice.
Fuente phys.org