Comprender cómo y por qué las moléculas cambian de estado como ocurre en una reacción química o el plegamiento de una proteína, es uno de los grandes retos de la física y la química molecular. Estos procesos suelen ser eventos difíciles de capturar con simulaciones convencionales y por ello la búsqueda de nuevos métodos para abordar la búsqueda de respuestas a esta incógnita es ahora un importante campo de investigación.
En este contexto, un investigador de la Universidad Politécnica de Madrid (UPM) en colaboración con un equipo de Francia y de Estados Unidos, ha desarrollado nuevos métodos basados en Inteligencia Artificial que tratan de predecir y analizar estos cambios moleculares ofreciendo respuestas a algunos de esos enigmas.
“El trabajo que hemos llevado a cabo se basa en el empleo de redes neuronales para generar simulaciones de los comportamientos de las moléculas y de los cambios que se producen en esas reacciones, para poder observarlos y comprender por qué se producen y sus consecuencias”, explica Alberto Megías, investigador de la UPM y uno de los participantes en este trabajo.
Entre los objetivos que abordaban los investigadores se encontraban: desarrollar nuevos métodos basados en el aprendizaje automático para identificar las rutas de transición en sistemas moleculares complejos, acelerar las simulaciones gracias a ese aprendizaje y obtener una descripción más precisa, automática e interpretable de los mecanismos moleculares.
Con esta motivación, los investigadores desarrollaron nuevos tipos de redes neuronales capaces de aprender la información esencial para entender cómo ocurren las transformaciones en sistemas moleculares complejos. Uno de estos métodos permite descubrir, de manera iterativa, los caminos que sigue una molécula cuando pasa de un estado a otro.
Aplicaciones prácticas y variadas
“Para lograrlo, la red neuronal creada por nuestro equipo, bautizada como PCCANN, aprende una función llamada comitor, que indica la probabilidad de que una configuración avance hacia un estado final concreto. Gracias a este enfoque, es posible identificar múltiples mecanismos distintos dentro de un mismo proceso biomolecular”, declara Megías.
En un estudio posterior, los autores fueron un paso más allá y desarrollaron una arquitectura basada en redes neuronales de grafos, a la que llamaron qGNN.
“Esta nueva versión puede aprender directamente a partir de las posiciones de los átomos, sin que los científicos tengan que elegir antes qué variables son importantes. Además, permite ver qué átomos son los más relevantes en la reacción y calcular propiedades clave del proceso.”, añade.
Para los investigadores, la importancia del trabajo radica en que los métodos desarrollados en esta investigación ayudan a entender mejor procesos fundamentales que ocurren en química, física, biología y ciencia de materiales. Al usar inteligencia artificial, estos enfoques permiten analizar reacciones y cambios moleculares que antes requerían muchísimo tiempo de cálculo o eran muy difíciles de interpretar.
Entre sus posibles aplicaciones están el diseño de nuevos fármacos, la comprensión de procesos biológicos como el plegamiento de proteínas, o el desarrollo de nuevos materiales y catalizadores.
“En general, estos avances pueden acelerar la investigación en biomedicina, química y nanotecnología, facilitando el descubrimiento de mecanismos moleculares que antes resultaban casi invisibles para las simulaciones tradicionales”, concluye.