Científicos de la Escuela Politécnica Federal de Lausanne (EPFL) han creado un programa de machine learning, SwiftML, que permite predecir cómo los átomos de las moléculas se mueven cuando aplicamos un campo magnético. Es decir, mediante técnicas de inteligencia artificial han desarrollado un modelo que permite predecir la estructura molecular de los cristales de manera más rápida que con los métodos tradicionales.

La investigación ha sido publicada recientemente en la revista Nature Communications pero no es sino el último paper que ejemplifica una tendencia con cada vez más fuerza dentro del campo de la química. Una rápida búsqueda en la web de la Royal Chemistry Academy muestra más de 2.000 artículos relacionados con el machine learning.
ShiftML es hasta 10.000 veces más rápido que los métodos tradicionales

El trabajo de laboratorio es muy minucioso pero también en algunos métodos es bastante mecánico. Por ello disponer de un algoritmo que pueda acelerar este proceso es tan interesante. Michele Ceriotti, autor de la investigación y profesor asistente en EPFL, explica el proceso de la siguiente manera: "Incluso para moléculas simples, este modelo es hasta 10.000 veces más rápido que los métodos existentes. Y la ventaja se incrementa cuando tratamos compuestos más complejos."

Para predecir la estructura de los materiales se utiliza la Resonancia Nuclear Magnética (NMR), muy común también en medicina. Los átomos oscilan a determinadas frecuencias y esto permite conocer la localización y los electrones que contienen. Sin embargo es una técnica que sirve para conocer moléculas muy sencilla y no es suficiente buena para estructuras más complejas. Aquí es cuando entra en juego la teoría del funcional de la densidad (DFT). Esta segunda técnica utiliza química cuántica para conocer la densidad de electrones en un área pero requiere de una potencia de cálculo muy alta.

ShiftML aplica estas dos teorías para sus cálculos.

¿Dónde encaja el machine learning en esto? Los investigadores lo que han hecho es utilizar la base de datos de estructuras de Cambridge, una colección de datos con las densidades DFT de miles de compuestos. Cada estructura contiene 200 átomos distintos y para las pruebas se validaron más de 2.000 estructuras diferentes.

ShiftML lo que hace es entender cómo se estructuran esos átomos. Una vez tiene suficiente información, los investigadores ya pueden introducir nuevas moléculas no clasificadas para que el programa calcule su estructura. El ejemplo que nos da el equipo de investigación es el de una molécula de 86 átomos que contiene los mismos elementos que la cocaína pero con una estructura interna distinta.

Utilizando una base de datos con más de 2.000 estructuras diferentes han logrado acelerar el cálculo computacional necesario para predecir la forma interna de ciertos fármacos.

Con ShiftML se tarda menos de un minuto en procesar la información, mientras que utilizando la fuerza bruta directa se necesitarían entre 62 y 150 horas de CPU para calcularlo. "En el caso que fuera un cristal con 1.600 átomos tardaríamos seis minutos, mientras que de normal se tardarían 16 años", relata Michele Ceriotti.

El machine learning está permitiendo descubrir nuevos fármacos

La comunidad científica se pregunta si la inteligencia artificial es puro hype o realmente es útil para su trabajo diario. Robert P. Sheridan, químico computacional de la farmacéutica Merck, comenta sobre este tipo de técnicas: "La industria farmacéutica está muy esperanzada por estas tecnologías porque permiten el desarrollo de fármacos realmente complejos y nuestros clientes siempre buscan nuevas maneras de tener éxito más rápido."

En la misma dirección apunta el equipo de ShiftML, que explica como esta técnica puede utilizarse para diseñar nuevos fármacos. Lyndon Emsley, coautor del estudio afirma que "la aceleración de los tiempos de computación nos permitirá cubrir espacios más grandes y determinar estructuras que antes no eran posibles. Principalmente fármacos complejos que requerían de una potencia de cálculo enorme."

Otros procesos equivalentes aplicando machine learning lo tenemos con la síntesis de moléculas. Los modelos predictivos existen en la química desde los años 60, pero a través de este machine learning se están acortando las limitaciones de aquellos cálculos que requerían de una potencia computacional demasiado elevada.