{"id":8219,"date":"2023-10-09T22:56:00","date_gmt":"2023-10-10T01:56:00","guid":{"rendered":"https:\/\/saeeg.org\/?p=8219"},"modified":"2023-10-11T02:07:35","modified_gmt":"2023-10-11T05:07:35","slug":"inteligencia-artificial-y-avances-en-quimica-ii","status":"publish","type":"post","link":"https:\/\/saeeg.org\/index.php\/2023\/10\/09\/inteligencia-artificial-y-avances-en-quimica-ii\/","title":{"rendered":"INTELIGENCIA ARTIFICIAL Y AVANCES EN QU\u00cdMICA (II)"},"content":{"rendered":"\n\n

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

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

Fuente: https:\/\/numerentur.org\/markov-mdp\/<\/a><\/strong><\/span><\/p>\n

\u00a0<\/p>\n

Como se ha visto anteriormente, los tipos de representaci\u00f3n qu\u00edmica han desarrollado varios subtipos en los \u00faltimos a\u00f1os. Desafortunadamente, sin embargo, no hay una respuesta clara sobre qu\u00e9 representaci\u00f3n es la m\u00e1s eficiente para un problema en particular. Por ejemplo, las representaciones matriciales son a menudo la primera opci\u00f3n para la predicci\u00f3n de atributos, pero, en los \u00faltimos a\u00f1os, los gr\u00e1ficos tambi\u00e9n han surgido como alternativas fuertes. Tambi\u00e9n es importante tener en cuenta que podemos combinar varios tipos de representaciones dependiendo del problema.<\/span><\/p>\n

Por lo tanto, \u00bfc\u00f3mo (y cu\u00e1les) representaciones se pueden usar para explorar el espacio qu\u00edmico? Ya hemos dicho que las representaciones de cuerdas son adecuadas para el modelado generativo. Inicialmente, las representaciones gr\u00e1ficas no eran f\u00e1ciles de modelar mediante el uso de modelos generativos, pero m\u00e1s recientemente su combinaci\u00f3n con el Variational Autoencoder (VAE) las ha convertido en un factor muy atractivo.<\/span><\/p>\n

En el aprendizaje autom\u00e1tico, un autoencoder variacional es una arquitectura de red neuronal artificial introducida por Diederik P. Kingma y Max Welling. Es parte de las familias de modelos gr\u00e1ficos probabil\u00edsticos y m\u00e9todos bayesianos variacionales (es decir, familia de m\u00e9todos para la aproximaci\u00f3n de integrales).<\/span><\/p>\n

Los VAE han demostrado ser particularmente \u00fatiles ya que nos permiten tener una representaci\u00f3n continua m\u00e1s legible por m\u00e1quina. Un estudio utiliz\u00f3 VAE para demostrar que tanto las representaciones de cadenas como las de gr\u00e1ficos pueden codificarse y decodificarse en un espacio donde las mol\u00e9culas ya no son discretas, sino que pueden decodificarse en vectores continuos con valores reales de representaciones de mol\u00e9culas. La distancia euclidiana entre diferentes vectores corresponder\u00e1 a la similitud qu\u00edmica. Se agrega otro modelo entre el codificador y el decodificador para predecir el atributo que se alcanzar\u00e1 en cualquier punto del espacio.<\/span><\/p>\n

Pero si bien generar mol\u00e9culas per se es una tarea simple, podemos tomar cualquier modelo generativo y aplicarlo a la representaci\u00f3n que deseamos, generar estructuras que sean qu\u00edmicamente v\u00e1lidas y muestren las propiedades que deseamos es un tema mucho m\u00e1s desafiante.<\/span><\/p>\n

Los enfoques iniciales para lograr este objetivo implican modelos sobre conjuntos de datos existentes y su posterior uso para la transferencia al aprendizaje. El modelo se ajusta a trav\u00e9s de un conjunto de datos de calibraci\u00f3n para permitir la generaci\u00f3n de estructuras orientadas hacia propiedades espec\u00edficas, que luego se pueden calibrar a\u00fan m\u00e1s utilizando varios algoritmos. Muchos ejemplos de esto implican el uso de representaciones de cadenas o gr\u00e1ficos. Sin embargo, se encuentran dificultades con respecto a la validez qu\u00edmica o las propiedades deseadas cuando \u00e9stas no se obtienen con \u00e9xito. Adem\u00e1s, el hecho de confiar en conjuntos de datos limita el espacio de b\u00fasqueda e introduce sesgos potencialmente indeseables.<\/span><\/p>\n

Un intento de mejora es utilizar el Proceso de Decisi\u00f3n de Markov (MDP) para garantizar la validez de las estructuras qu\u00edmicas y optimizar el MDP para lograr las propiedades deseadas a trav\u00e9s del Q-learning profundo (un algoritmo de aprendizaje por refuerzo sin modelo para derivar el valor de una acci\u00f3n en un estado particular). En matem\u00e1ticas, un MDP es un proceso de control estoc\u00e1stico de tiempo discreto (una funci\u00f3n o se\u00f1al, con valores dados en un conjunto elegido de tiempos en el dominio entero). Proporciona un marco matem\u00e1tico para modelar el proceso de toma de decisiones en situaciones donde los resultados son en parte aleatorios y en parte bajo el control de un tomador de decisiones. Los MDP son \u00fatiles para estudiar problemas de optimizaci\u00f3n resueltos mediante programaci\u00f3n. Se utilizan en muchas disciplinas, incluyendo rob\u00f3tica, control autom\u00e1tico, econom\u00eda y fabricaci\u00f3n. El MDP lleva el nombre del matem\u00e1tico ruso Andrej Andreevi\u010d Markov (1856 -1922).<\/span><\/p>\n

Una ventaja particular de este modelo es que permite a los usuarios visualizar la preferencia de diferentes acciones: (a) visualizar el grado de preferencia para ciertas acciones (1 es la preferencia m\u00e1s alta, 0 la menos preferida); y (b) tomar medidas para maximizar la estimaci\u00f3n cuantitativa de la similitud del f\u00e1rmaco con la mol\u00e9cula de partida.<\/span><\/p>\n

Aunque todav\u00eda est\u00e1 en su infancia, el uso de la Inteligencia Artificial para explorar el espacio qu\u00edmico ya est\u00e1 mostrando una gran promesa. Nos proporciona un nuevo paradigma para explorar el espacio qu\u00edmico y una nueva forma de probar teor\u00edas e hip\u00f3tesis. Aunque el empirismo no es tan preciso como la investigaci\u00f3n experimental, los m\u00e9todos basados en la computaci\u00f3n seguir\u00e1n siendo un \u00e1rea de investigaci\u00f3n activa en el futuro previsible y ya formar\u00e1n parte de cualquier grupo de investigaci\u00f3n.<\/span><\/p>\n

Hasta ahora hemos visto c\u00f3mo la Inteligencia Artificial puede ayudar a descubrir nuevos productos qu\u00edmicos m\u00e1s r\u00e1pidamente mediante la explotaci\u00f3n de algoritmos generativos para buscar en el espacio qu\u00edmico. Aunque este es uno de los casos de uso m\u00e1s destacables, tambi\u00e9n hay otros. La Inteligencia Artificial se est\u00e1 aplicando a muchos otros problemas en qu\u00edmica, incluyendo:<\/span><\/p>\n

    \n
  1. Trabajo automatizado en laboratorio<\/em>. Las t\u00e9cnicas de aprendizaje autom\u00e1tico se pueden utilizar para acelerar los flujos de trabajo de s\u00edntesis. Un enfoque utiliza laboratorios aut\u00f3nomos para automatizar las tareas rutinarias, optimizar el gasto de recursos y ahorrar tiempo. Un ejemplo relativamente nuevo pero notable es el uso de la plataforma rob\u00f3tica Ada<\/em> para automatizar la s\u00edntesis, el procesamiento y la caracterizaci\u00f3n de materiales. Las herramientas de Ada<\/em> se desarrollan para proporcionar predicciones y modelos para automatizar procesos repetitivos, utilizando tecnolog\u00edas de aprendizaje autom\u00e1tico e inteligencia artificial para recopilar, comprender y procesar datos, de modo que los recursos puedan dedicarse a actividades de mayor valor agregado. <\/span>Ada<\/em> es b\u00e1sicamente un laboratorio que descubre y desarrolla nuevos materiales org\u00e1nicos de pel\u00edcula delgada sin supervisi\u00f3n humana. Su productividad est\u00e1 haciendo que la mayor\u00eda de los reci\u00e9n graduados se sientan inc\u00f3modos. Todo el ciclo de fabricaci\u00f3n de pel\u00edcula delgada, desde la mezcla de precursores qu\u00edmicos, pasando por la deposici\u00f3n y el recocido t\u00e9rmico, hasta la caracterizaci\u00f3n el\u00e9ctrica y \u00f3ptica final, toma solo veinte minutos. Una ayuda adicional es el uso de un robot qu\u00edmico m\u00f3vil que puede operar herramientas y realizar mediciones en 688 experimentos durante ocho d\u00edas..<\/span><\/li>\n<\/ol>\n
      \n
    1. Predicci\u00f3n de reacciones qu\u00edmicas<\/em>. Los modelos de clasificaci\u00f3n se pueden usar para predecir el tipo de reacci\u00f3n que ocurrir\u00e1, o simplificar el problema y predecir si ocurrir\u00e1 una determinada reacci\u00f3n qu\u00edmica..<\/span><\/li>\n
    2. Miner\u00eda de datos qu\u00edmicos<\/em>. La qu\u00edmica, como muchas otras disciplinas, tiene una extensa literatura cient\u00edfica para el estudio de tendencias y correlaciones. Un ejemplo notable es la miner\u00eda de datos de las grandes cantidades de informaci\u00f3n proporcionada por el Proyecto Genoma Humano para identificar tendencias en los datos gen\u00f3micos..<\/span><\/li>\n
    3. Finalmente, aunque la nueva tendencia basada en datos se est\u00e1 desarrollando r\u00e1pidamente y ha tenido un gran impacto, tambi\u00e9n implica muchos desaf\u00edos nuevos, incluida la brecha entre la computaci\u00f3n y el experimento. Aunque los m\u00e9todos computacionales tienen como objetivo ayudar a lograr los objetivos del experimento, los resultados de los primeros no siempre son transferibles a los segundos. Por ejemplo, cuando se utiliza el aprendizaje autom\u00e1tico para encontrar mol\u00e9culas candidatas, debemos tener en cuenta que las mol\u00e9culas rara vez son \u00fanicas en sus v\u00edas sint\u00e9ticas, y a menudo es dif\u00edcil saber si una reacci\u00f3n qu\u00edmica inexplorada funcionar\u00e1 en la pr\u00e1ctica. Incluso si funciona, hay problemas con el rendimiento, la pureza y el aislamiento del compuesto en estudio.<\/span><\/li>\n
    4. La brecha entre el trabajo computacional y experimental se hace a\u00fan mayor, ya que los m\u00e9todos computacionales utilizan m\u00e9tricas que no siempre son transferibles a este \u00faltimo, como la Electrodin\u00e1mica Cu\u00e1ntica (QED), que describe todos los fen\u00f3menos que involucran part\u00edculas cargadas que interact\u00faan por medio de la fuerza electromagn\u00e9tica, por lo que su verificaci\u00f3n experimental puede no ser factible. Tambi\u00e9n existe la necesidad de una mejor base de datos. Sin embargo, surge el problema de la falta de puntos de referencia. Dado que todo el espacio qu\u00edmico es infinito, se espera tener una muestra suficientemente grande que pueda ayudar en la generalizaci\u00f3n posterior. Sin embargo, la mayor\u00eda de las bases de datos actuales est\u00e1n dise\u00f1adas para diferentes prop\u00f3sitos y, a menudo, utilizan diferentes formatos de archivo. Algunos de ellos no tienen procedimientos de validaci\u00f3n para las presentaciones o no est\u00e1n dise\u00f1ados para tareas de IA. Tambi\u00e9n hay que decir que la mayor\u00eda de las bases de datos disponibles tienen un alcance limitado de datos qu\u00edmicos: s\u00f3lo contienen ciertos tipos de mol\u00e9culas. Adem\u00e1s, la mayor\u00eda de las tareas que implican el uso de IA para predicciones qu\u00edmicas no tienen plataformas de referencia hacienda que la comparaci\u00f3n entre muchos estudios diferentes resulte impracticable.<\/span><\/li>\n<\/ol>\n

      Una de las principales razones del \u00e9xito de AlphaFold<\/em>, que, como ya se ha visto, es un programa de IA desarrollado por DeepMind (Alphabet \/ Google)<\/em> para predecir la estructura 3D de las prote\u00ednas, radica en el hecho de que ha proporcionado todo lo anterior como parte de la evaluaci\u00f3n cr\u00edtica de la predicci\u00f3n de la estructura de las prote\u00ednas, es decir, la inferencia de una estructura 3D de prote\u00ednas a partir de su secuencia de amino\u00e1cidos.\u00a0 por ejemplo, la predicci\u00f3n de su estructura secundaria y terciaria a partir de su estructura primaria. Esta evaluaci\u00f3n demuestra la necesidad de esfuerzos organizados para racionalizar, simplificar y mejorar otras tareas relacionadas con la predicci\u00f3n qu\u00edmica.<\/span><\/p>\n

      En conclusi\u00f3n, a medida que continuamos avanzando en la era digital, nuevos algoritmos y hardware m\u00e1s poderoso continuar\u00e1n levantando el velo sobre problemas previamente intratables. La integraci\u00f3n de la Inteligencia Artificial en el descubrimiento qu\u00edmico todav\u00eda est\u00e1 en su infancia, pero ya es un lugar com\u00fan escuchar el t\u00e9rmino \u00abdescubrimiento basado en datos\u00bb. }<\/span><\/p>\n

      Muchas empresas, ya sean gigantes farmac\u00e9uticos o nuevas empresas reci\u00e9n fundadas, han adoptado muchas de las tecnolog\u00edas anteriores y han aportado una mayor automatizaci\u00f3n, eficiencia y reproducibilidad a la qu\u00edmica. La Inteligencia Artificial nos permite llevar a cabo la ciencia a una escala sin precedentes y en los \u00faltimos a\u00f1os esto ha generado muchas iniciativas y atra\u00eddo fondos que continuar\u00e1n llev\u00e1ndonos m\u00e1s lejos en una era de descubrimiento cient\u00edfico aut\u00f3nomo. (2. continuar\u00e1<\/em>). <\/span><\/p>\n\n

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

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

      Giancarlo Elia Valori* Fuente: https:\/\/numerentur.org\/markov-mdp\/ \u00a0 Como se ha visto anteriormente, los tipos de representaci\u00f3n qu\u00edmica han desarrollado varios subtipos en los \u00faltimos a\u00f1os. Desafortunadamente, sin embargo, no hay una respuesta clara sobre qu\u00e9 representaci\u00f3n es la m\u00e1s eficiente para un problema en particular. Por ejemplo, las representaciones matriciales son a menudo la primera opci\u00f3n … Seguir leyendo INTELIGENCIA ARTIFICIAL Y AVANCES EN QU\u00cdMICA (II)<\/span> →<\/span><\/a><\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1200],"tags":[463,2298,2297],"class_list":["post-8219","post","type-post","status-publish","format-standard","hentry","category-inteligencia-artificial","tag-inteligencia-artificial","tag-proceso-de-decision-de-markov-mdp","tag-quimica"],"_links":{"self":[{"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/posts\/8219","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\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/comments?post=8219"}],"version-history":[{"count":1,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/posts\/8219\/revisions"}],"predecessor-version":[{"id":8221,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/posts\/8219\/revisions\/8221"}],"wp:attachment":[{"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/media?parent=8219"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/categories?post=8219"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saeeg.org\/index.php\/wp-json\/wp\/v2\/tags?post=8219"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}