{"id":8145,"date":"2023-09-26T22:58:00","date_gmt":"2023-09-27T01:58:00","guid":{"rendered":"https:\/\/saeeg.org\/?p=8145"},"modified":"2023-09-28T02:16:26","modified_gmt":"2023-09-28T05:16:26","slug":"inteligencia-artificial-y-avances-en-quimica-i","status":"publish","type":"post","link":"https:\/\/saeeg.org\/index.php\/2023\/09\/26\/inteligencia-artificial-y-avances-en-quimica-i\/","title":{"rendered":"INTELIGENCIA ARTIFICIAL Y AVANCES EN QU\u00cdMICA (I)"},"content":{"rendered":"

Giancarlo Elia Valori*<\/span><\/em><\/strong><\/p>\n\n

\n
\"\"<\/figure>\n<\/div>\n\n

tommyvideo en Pixabay<\/a><\/em><\/strong><\/span><\/p>\n

Con el advenimiento de la tecnolog\u00eda de Inteligencia Artificial en el campo de la qu\u00edmica, los m\u00e9todos tradicionales basados en experimentos y modelos f\u00edsicos se est\u00e1n complementando gradualmente con paradigmas de aprendizaje autom\u00e1tico basados en datos. Cada vez se desarrollan m\u00e1s representaciones de datos para el procesamiento inform\u00e1tico, que se adaptan constantemente a modelos estad\u00edsticos que son principalmente generativos.<\/span><\/p>\n

Aunque la ingenier\u00eda, las finanzas y los negocios se beneficiar\u00e1n enormemente de los nuevos algoritmos, las ventajas no provienen solo de los algoritmos. La computaci\u00f3n a gran escala ha sido una parte integral de las herramientas de la ciencia f\u00edsica durante d\u00e9cadas, y algunos avances recientes en Inteligencia Artificial han comenzado a cambiar la forma en que se realizan los descubrimientos cient\u00edficos.<\/span><\/p>\n

Existe un gran entusiasmo por los logros destacados en ciencias f\u00edsicas, como el uso del aprendizaje autom\u00e1tico para reproducir im\u00e1genes de agujeros negros o la contribuci\u00f3n de AlphaFold<\/em>, un programa de IA desarrollado por DeepMind (Alphabet \/ Google)<\/em> para predecir la estructura 3D de las prote\u00ednas.<\/span><\/p>\n

Uno de los principales objetivos de la qu\u00edmica es comprender la materia, sus propiedades y los cambios que puede sufrir. Por ejemplo, cuando buscamos nuevos superconductores, vacunas o cualquier otro material con las propiedades que deseamos, recurrimos a la qu\u00edmica.<\/span><\/p>\n

Tradicionalmente pensamos que la qu\u00edmica se practica en laboratorios con tubos de ensayo, matraces Erlenmeyer (generalmente recipientes graduados con un fondo plano, un cuerpo c\u00f3nico y un cuello cil\u00edndrico) y quemadores de gas. En los \u00faltimos a\u00f1os, sin embargo, tambi\u00e9n se ha beneficiado de los desarrollos en los campos de la inform\u00e1tica y la mec\u00e1nica cu\u00e1ntica, los cuales se hicieron importantes a mediados del siglo XX. Las primeras aplicaciones incluyeron el uso de computadoras para resolver c\u00e1lculos de f\u00f3rmulas basadas en la f\u00edsica, o simulaciones de sistemas qu\u00edmicos (aunque lejos de ser perfectos) combinando qu\u00edmica te\u00f3rica con programaci\u00f3n inform\u00e1tica. Ese trabajo finalmente se convirti\u00f3 en el subgrupo ahora conocido como qu\u00edmica computacional. Este campo comenz\u00f3 a desarrollarse en la d\u00e9cada de 1970 y los Premios Nobel de qu\u00edmica fueron otorgados en 1998 al brit\u00e1nico John A. Pople (por su desarrollo de m\u00e9todos computacionales en qu\u00edmica cu\u00e1ntica: el m\u00e9todo Pariser-Parr-Pople), y en 2013 al austriaco Martin Karplus, al sudafricano Michael Levitt y a Arieh Warshel de Israel por el desarrollo de modelos multiescala para sistemas qu\u00edmicos complejos.<\/span><\/p>\n

De hecho, aunque la qu\u00edmica computacional ha ganado cada vez m\u00e1s reconocimiento en las \u00faltimas d\u00e9cadas, es mucho menos importante que los experimentos de laboratorio, que son la piedra angular del descubrimiento.<\/span><\/p>\n

Sin embargo, teniendo en cuenta los avances actuales en Inteligencia Artificial, las tecnolog\u00edas centradas en los datos y las cantidades cada vez mayores de datos, podemos estar presenciando un cambio en el que los m\u00e9todos computacionales se utilizan no solo para ayudar a los experimentos de laboratorio, sino tambi\u00e9n para guiarlos y orientarlos<\/span><\/p>\n

De ah\u00ed que \u00bfc\u00f3mo logra la Inteligencia Artificial esta transformaci\u00f3n? Un desarrollo particular es la aplicaci\u00f3n del aprendizaje autom\u00e1tico al descubrimiento de materiales y al dise\u00f1o molecular, que son dos problemas fundamentales en qu\u00edmica.<\/span><\/p>\n

En los m\u00e9todos tradicionales, el dise\u00f1o de mol\u00e9culas se divide aproximadamente en varias etapas. Es importante tener en cuenta que cada etapa puede tomar varios a\u00f1os y muchos recursos, y el \u00e9xito no est\u00e1 garantizado de ninguna manera. Las fases del descubrimiento qu\u00edmico son las siguientes: s\u00edntesis, aislamiento y pruebas, validaci\u00f3n, aprobaci\u00f3n, comercializaci\u00f3n y comercializaci\u00f3n.<\/span><\/p>\n

La fase de descubrimiento se basa en marcos te\u00f3ricos desarrollados durante siglos para guiar y orientar el dise\u00f1o molecular. Sin embargo, al buscar materiales \u00ab\u00fatiles\u00bb (por ejemplo, gel de petr\u00f3leo [vaselina], politetrafluoroetileno [tefl\u00f3n], penicilina, etc.), debemos recordar que muchos de ellos provienen de compuestos que se encuentran com\u00fanmente en la naturaleza. Adem\u00e1s, la utilidad de estos compuestos a menudo se descubre solo en una etapa posterior. Por el contrario, la investigaci\u00f3n dirigida es una tarea que consume m\u00e1s tiempo y recursos (e incluso en este caso puede ser necesario utilizar compuestos \u00ab\u00fatiles\u00bb conocidos como punto de partida). Solo para darle una idea, \u00a1el espacio qu\u00edmico farmacol\u00f3gicamente activo (es decir, el n\u00famero de mol\u00e9culas) se ha estimado en 1060! Incluso antes de las fases de prueba y dimensionamiento, la investigaci\u00f3n manual en un espacio de este tipo puede llevar mucho tiempo y consumir muchos recursos. Por lo tanto, \u00bfc\u00f3mo puede la Inteligencia Artificial entrar en esto y acelerar el descubrimiento de la sustancia qu\u00edmica?<\/span><\/p>\n

En primer lugar, el aprendizaje autom\u00e1tico mejora los m\u00e9todos existentes de simulaci\u00f3n de entornos qu\u00edmicos. Ya hemos mencionado que la qu\u00edmica computacional permite evitar parcialmente los experimentos de laboratorio. Sin embargo, los c\u00e1lculos de qu\u00edmica computacional que simulan procesos mec\u00e1nicos cu\u00e1nticos son pobres tanto en t\u00e9rminos de costo computacional como de precisi\u00f3n de simulaciones qu\u00edmicas.<\/span><\/p>\n

Un problema central en qu\u00edmica computacional es resolver la ecuaci\u00f3n de 1926 del f\u00edsico Erwin Schr\u00f6dinger (1887-1961). El cient\u00edfico describi\u00f3 el comportamiento de un electr\u00f3n que orbita el n\u00facleo como el de una onda estacionaria. Por lo tanto, propuso una ecuaci\u00f3n, llamada ecuaci\u00f3n de onda, con la que representar la onda asociada con el electr\u00f3n. En este sentido, la ecuaci\u00f3n es para mol\u00e9culas complejas, es decir, dadas las posiciones de un conjunto de n\u00facleos y el n\u00famero total de electrones, se deben calcular las propiedades de inter\u00e9s. Las soluciones exactas solo son posibles para sistemas de un solo electr\u00f3n, mientras que para otros sistemas debemos confiar en aproximaciones \u00absuficientemente buenas\u00bb. Adem\u00e1s, muchos m\u00e9todos comunes para aproximar la ecuaci\u00f3n de Schr\u00f6dinger se escalan exponencialmente, lo que dificulta la resoluci\u00f3n de soluciones forzadas. Con el tiempo, se han desarrollado muchos m\u00e9todos para acelerar los c\u00e1lculos sin sacrificar demasiado la precisi\u00f3n. Sin embargo, incluso algunos m\u00e9todos \u00abm\u00e1s baratos\u00bb pueden causar cuellos de botella computacionales.<\/span><\/p>\n

Una forma en que la Inteligencia Artificial puede acelerar estos c\u00e1lculos es combin\u00e1ndolos con el aprendizaje autom\u00e1tico. Otro enfoque ignora completamente el modelado de procesos f\u00edsicos mediante el mapeo directo de representaciones moleculares en las propiedades deseadas. Ambos m\u00e9todos permiten a los qu\u00edmicos examinar de manera m\u00e1s eficiente las bases de datos para diversas propiedades, como la carga nuclear, la energ\u00eda de ionizaci\u00f3n, etc.<\/span><\/p>\n

Si bien los c\u00e1lculos m\u00e1s r\u00e1pidos son una mejora, no resuelven el problema de que todav\u00eda estamos confinados a compuestos conocidos, que representan solo una peque\u00f1a parte del espacio qu\u00edmico activo. Todav\u00eda tenemos que especificar manualmente las mol\u00e9culas que queremos analizar. \u00bfC\u00f3mo podemos revertir este paradigma y dise\u00f1ar un algoritmo para buscar en el espacio qu\u00edmico y encontrar sustancias candidatas adecuadas? La respuesta puede estar en la aplicaci\u00f3n de modelos generativos a problemas de descubrimiento molecular.<\/span><\/p>\n

Pero antes de abordar este tema, vale la pena hablar sobre c\u00f3mo representar num\u00e9ricamente las estructuras qu\u00edmicas (y qu\u00e9 se puede usar para el modelado generativo). Muchas representaciones se han desarrollado en las \u00faltimas d\u00e9cadas, la mayor\u00eda de las cuales caen en una de las siguientes cuatro categor\u00edas: cadenas, archivos de texto, matrices y gr\u00e1ficos.<\/span><\/p>\n

Las estructuras qu\u00edmicas obviamente se pueden representar como matrices. Las representaciones matriciales de mol\u00e9culas se utilizaron inicialmente para facilitar las b\u00fasquedas en bases de datos qu\u00edmicas. A principios de la d\u00e9cada de 2000, sin embargo, se introdujo una nueva representaci\u00f3n matricial llamada Extended Connectivity Fingerprint (ECFP). En inform\u00e1tica, la huella digital o huella digital de un archivo es una secuencia alfanum\u00e9rica o cadena de bits de una longitud fija que identifica ese archivo con las caracter\u00edsticas intr\u00ednsecas del propio archivo. El ECFP fue dise\u00f1ado espec\u00edficamente para capturar caracter\u00edsticas relacionadas con la actividad molecular y a menudo se considera una de las primeras caracterizaciones en los intentos de predecir las propiedades moleculares.<\/span><\/p>\n

La informaci\u00f3n de la estructura qu\u00edmica tambi\u00e9n se puede transferir a un archivo de texto, una salida com\u00fan de los c\u00e1lculos de qu\u00edmica cu\u00e1ntica. Estos archivos de texto pueden contener informaci\u00f3n muy rica, pero generalmente no son muy \u00fatiles como entrada para modelos de aprendizaje autom\u00e1tico. Por otro lado, la representaci\u00f3n de cadenas codifica mucha informaci\u00f3n en su sintaxis. Esto los hace particularmente adecuados para el modelado generativo, al igual que la generaci\u00f3n de texto. Finalmente, la representaci\u00f3n basada en gr\u00e1ficos es m\u00e1s natural. No solo nos permite codificar propiedades espec\u00edficas del \u00e1tomo en las incrustaciones de nodos, sino que tambi\u00e9n captura enlaces qu\u00edmicos en las incrustaciones de borde. Adem\u00e1s, cuando se combina con el intercambio de mensajes, la representaci\u00f3n basada en gr\u00e1ficos nos permite interpretar (y configurar) la influencia de un nodo en otro nodo por sus vecinos, lo que refleja la forma en que los \u00e1tomos en una estructura qu\u00edmica interact\u00faan entre s\u00ed. Estas propiedades hacen que las representaciones basadas en gr\u00e1ficos sean el tipo preferido de representaci\u00f3n de entrada para modelos de aprendizaje profundo. (1. continuar\u00e1<\/em>)<\/span><\/p>\n

* <\/sup><\/em><\/strong>Copresidente del Consejo Asesor Honoris Causa. El Profesor Giancarlo Elia Valori es un eminente economista y empresario italiano. Posee prestigiosas distinciones acad\u00e9micas y \u00f3rdenes nacionales. Ha dado conferencias sobre asuntos internacionales y econom\u00eda en las principales universidades del mundo, como la Universidad de Pek\u00edn, la Universidad Hebrea de Jerusal\u00e9n y la Universidad Yeshiva de Nueva York. Actualmente preside el \u00abInternational World Group\u00bb, es tambi\u00e9n presidente honorario de Huawei Italia, asesor econ\u00f3mico del gigante chino HNA Group y miembro de la Junta de Ayan-Holding. En 1992 fue nombrado Oficial de la Legi\u00f3n de Honor de la Rep\u00fablica Francesa, con esta motivaci\u00f3n: \u201cUn hombre que puede ver a trav\u00e9s de las fronteras para entender el mundo\u201d y en 2002 recibi\u00f3 el t\u00edtulo de \u201cHonorable\u201d de la Academia de Ciencias del Instituto de Francia.<\/em><\/strong><\/span><\/p>\n

\u00a0<\/em><\/strong><\/span><\/p>\n

Traducido al espa\u00f1ol por el Equipo de la SAEEG con expresa autorizaci\u00f3n del autor. Prohibida su reproducci\u00f3n.<\/em><\/strong><\/span><\/p>\n

\u00a92023-saeeg\u00ae<\/strong><\/em><\/span><\/p>","protected":false},"excerpt":{"rendered":"

Giancarlo Elia Valori* tommyvideo en Pixabay Con el advenimiento de la tecnolog\u00eda de Inteligencia Artificial en el campo de la qu\u00edmica, los m\u00e9todos tradicionales basados en experimentos y modelos f\u00edsicos se est\u00e1n complementando gradualmente con paradigmas de aprendizaje autom\u00e1tico basados en datos. Cada vez se desarrollan m\u00e1s representaciones de datos para el procesamiento inform\u00e1tico, que … Seguir leyendo INTELIGENCIA ARTIFICIAL Y AVANCES EN QU\u00cdMICA (I)<\/span> →<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1200],"tags":[1167,463,2286,2284,2285],"class_list":["post-8145","post","type-post","status-publish","format-standard","hentry","category-inteligencia-artificial","tag-industria-quimica","tag-inteligencia-artificial","tag-metodos-computacionales","tag-procesamiento-informatico","tag-superconductores"],"_links":{"self":[{"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/posts\/8145","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/comments?post=8145"}],"version-history":[{"count":2,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/posts\/8145\/revisions"}],"predecessor-version":[{"id":8154,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/posts\/8145\/revisions\/8154"}],"wp:attachment":[{"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/media?parent=8145"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/categories?post=8145"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/tags?post=8145"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}