Investigadores de la Universidad de Oviedo y la Universidad de Luxemburgo han creado una innovadora inteligencia artificial que ofrece predicciones químicas precisas y explicables, abriendo nuevas fronteras en la química computacional.

Oviedo/Uviéu, 27 de mayo de 2024.- Un equipo de investigación de la Universidad de Oviedo, en colaboración con la Universidad de Luxemburgo, ha desarrollado una avanzada arquitectura de inteligencia artificial basada en redes neuronales que mejora significativamente la precisión y la interpretabilidad de las predicciones químicas. Este innovador enfoque, que combina la inteligencia artificial con la topología químico-cuántica, ha sido publicado en la prestigiosa revista Nature Communications.

Un avance sin precedentes en la química computacional

El Grupo de Química Teórica y Computacional de la Universidad de Oviedo (QTCOVI) ha diseñado una arquitectura de machine learning denominada SchNet4AIM, que emplea redes neuronales convolucionales para analizar y predecir las propiedades químicas locales de manera precisa y coherente con las leyes físicas. Esta herramienta permite, por primera vez, obtener interpretaciones químicas comprensibles a partir de predicciones cuantitativas, lo que marca un hito en el campo de la química computacional.

La sinergia entre inteligencia artificial y química

Tradicionalmente, la descripción rigurosa de sistemas químicos complejos estaba limitada por el alto coste computacional. Sin embargo, con la llegada de modelos de inteligencia artificial, ha sido posible predecir numerosas propiedades químicas sin recurrir a cálculos mecánicos cuánticos exhaustivos. A pesar de sus beneficios, estos modelos presentaban problemas de incertidumbre e interpretabilidad, funcionando como cajas negras.

La topología químico-cuántica: Una solución innovadora

Para superar estos desafíos, los investigadores integraron la topología químico-cuántica, una teoría rigurosa para el análisis de la química en el espacio real, en el desarrollo de su arquitectura de inteligencia artificial. Esta teoría se basa en el análisis topológico de campos escalares, como la densidad electrónica, y ha proporcionado un marco ideal para crear modelos precisos y explicables.

Precisión y transferibilidad: Una combinación ganadora

La arquitectura SchNet4AIM no solo ofrece predicciones extremadamente precisas sino que también es capaz de generalizar y extrapolar su conocimiento a moléculas mucho más complejas de las vistas durante su entrenamiento. Este nivel de transferibilidad y precisión supera las limitaciones de los modelos de inteligencia artificial convencionales, que suelen fallar fuera de su dominio de conocimiento.

Hacia una inteligencia artificial químicamente explicable

Una de las características más destacadas de SchNet4AIM es su capacidad de proporcionar interpretaciones claras de las interacciones químicas. Los modelos pueden identificar y explicar la deslocalización electrónica en procesos de unión supramolecular, revelando cuándo y dónde aparecen posibles puntos de unión entre ligandos y receptores, y destacando las interacciones dominantes.

Implicaciones del proyecto

Este avance promete revolucionar el diseño de fármacos y materiales con propiedades sintonizables, gracias a su precisión y capacidad de interpretación. Sin embargo, los investigadores reconocen que aún quedan desafíos por resolver, como entender las influencias de las propiedades moleculares en sistemas extremadamente complejos y sus dependencias de las variables físicas.

El estudio liderado por el QTCOVI y su colaboración internacional subraya una prometedora sinergia entre la topología químico-cuántica y la inteligencia artificial, anticipando el desarrollo de herramientas computacionales de gran impacto para la ciencia y la industria.

Este trabajo pionero abre nuevas vías para la investigación y aplicación de la inteligencia artificial en la química, acercándonos un paso más hacia un futuro donde la tecnología y la ciencia se unen para desvelar los misterios más profundos de la naturaleza.

Pie de foto: de izquierda a derecha, María Menéndez Herrero, Fernando Jiménez Grávalos, Miguel Gallegos Gonźalez, Julen Munárriz Tabuenca (agachado), Aurora Costales Castro, Ángel Martín Pendás, Evelio Francisco Miguélez, Dimas Suárez Rodríguez y Natalia Díaz Fernández.