A inovação geralmente leva a novos produtos, mas novos métodos podem ser igualmente inovadores.
Foi a chance de ajudar a desenvolver esses métodos que atraíram o estudante de doutorado em engenharia química Soumil Joshi de sua cidade natal, Mumbai, na Índia, para a Virginia Tech em 2019.

"É uma ótima escola, especialmente para a área de engenharia química, e é muito reputada pela pesquisa em polímeros, que sou grato por estar fazendo aqui", disse Joshi.

E em março, três anos de trabalho levaram seu nome a ser listado como primeiro autor em um artigo descrevendo um novo método computacional para trabalhar com polímeros que ele e seu orientador, o professor assistente Sanket Deshmukh, esperam que leve a avanços biomédicos significativos.

O artigo, intitulado "Dinâmica molecular de granulação grossa integrada à Rede Neural Convolucional para comparar formas de escovas de garrafa sensíveis à temperatura", detalha um método desenvolvido pelo laboratório Deshmukh, incluindo o coautor e acadêmico visitante Samrendra Singh, que usa inteligência artificial para analisar o forma de materiais macios complexos importantes e prever seus comportamentos.

Foi publicado em npj Computational Materials , um jornal de acesso aberto da Nature , e não apenas promete permitir novas descobertas em biomateriais, mas também destaca a crescente importância de big data, inteligência artificial e ciência computacional na engenharia química.

Essas inovações assistidas por computador são essenciais para o progresso em vários campos, disse Deshmukh. "Existem problemas científicos de longa data que não podem ser resolvidos pelos métodos existentes, então resolver problemas e desenvolver novos métodos andam de mãos dadas."

Os pesquisadores desenvolveram seu método de "aprendizagem profunda" para trabalhar com os chamados "materiais macios".

No aprendizado profundo, os sistemas de inteligência artificial são treinados para reconhecer padrões, trabalhar em problemas e executar tarefas - com ou sem supervisão humana. Os materiais macios podem incluir líquidos, polímeros, glicomateriais, espumas, géis e a maioria dos materiais biológicos macios. Eles são usados ​​em uma ampla gama de produtos e aplicações, desde cremes dentais, lubrificantes e telas de cristal líquido até sistemas de entrega de medicamentos e suportes de tecidos. Mas os métodos computacionais tradicionais de análise e previsão de seus comportamentos, especialmente polímeros, têm utilidade limitada, dificultando o progresso em seu desenvolvimento.

Para ajudar a quebrar esse impasse, os pesquisadores trabalharam com um tipo de polímeros ramificados e semelhantes a árvores chamados "escovas de garrafa". Sua inspiração veio das biomoléculas, cujas formas diferentes determinam suas funções. Sintetizá-los no laboratório pode levar a novos tratamentos médicos e outras aplicações da indústria, disse Deshmukh. Mas isso pode ser difícil porque os polímeros mudam de forma rapidamente, dependendo da temperatura e de outros fatores. Sem uma maneira eficiente e precisa de analisar e prever essas mudanças, é difícil criar versões sintéticas.

Seu novo processo usa um conhecido sistema de aprendizado profundo chamado Rede Neural Convolucional, ou CNN, para identificar e prever semelhanças em forma e função nos polímeros – algo que não pode ser feito sem a assistência do computador.

A aplicação de inteligência artificial a esse problema de polímeros é “inovadora porque mostra o potencial de métodos de aprendizado profundo no campo de materiais macios”, disse Deshmukh. "Então, em princípio, se entendermos como as formas estão mudando, esperamos poder controlá-las."

Para provar que seu método funcionaria, Joshi executou 100 modelos exclusivos da CNN, ensinando o sistema a identificar escovas de garrafa com formas semelhantes. O projeto foi desafiador, não apenas porque exigia um trabalho meticuloso para ensinar ao modelo quais dados e recursos procurar nos polímeros, mas também porque os pesquisadores não sabiam imediatamente quais recursos eram relevantes. Eles tinham que descobrir isso primeiro.

O desenvolvimento dos modelos levou mais de um ano, disse Deshmukh. “Singh e Joshi fizeram um trabalho fantástico ao identificar o processamento dos dados relevantes e depois refiná-lo ainda mais para garantir que o modelo da CNN receba as informações corretas”.

"A maior parte do brainstorming inicial sobre quais recursos usar foi realizada pelo Dr. Singh e pelo Dr. Deshmukh, que ajudaram a eliminar muitas opções desfavoráveis", disse Joshi. "Isso nos ajudou a focar em nossa metodologia atual, que usei para codificar e incorporar em nosso algoritmo de análise."

Os resultados têm sido muito promissores, disse Joshi, e a equipe espera expandir o uso da técnica no crescente campo de glicomateriais – materiais macios à base de carboidratos produzidos por todos os organismos vivos.

Esses materiais macios contêm cadeias de açúcares, chamados glicanos, que desempenham papéis críticos na saúde e na doença. Dos quatro blocos de construção da vida – glicanos, proteínas, lipídios e ácidos nucleicos – os glicanos são os mais complexos e os mais difíceis de entender. Mas a CNN poderia estimular o progresso nessa área.

“Assim, assim como criamos essas estruturas de escova de garrafa para polímeros sintéticos, há muitas arquiteturas que podem ser criadas usando glicomateriais e polímeros como esses glicanos”, disse Deshmukh.

"Planejamos ajudar nossos colaboradores a projetar novos tipos de glicomateriais que podem ser usados ​​para aplicações biomédicas", disse Deshmukh. "É realmente emocionante."

Esta pesquisa também aponta para a crescente importância da ciência de dados e do aprendizado de máquina na engenharia química, disse o chefe do departamento, Steven Wrenn.

“É importante que nossos graduados saibam como trabalhar com cientistas de dados e usar modelagem computacional em seu próprio trabalho”, disse Wrenn. "Este treinamento tornará nossos alunos muito mais atraentes para empregadores e programas de pós-graduação."

Na verdade, o departamento está trabalhando em uma nova faixa de estudo de ciência computacional e de dados, que, se aprovada, treinará alunos de graduação para aplicar ciência da computação à engenharia química. Deshmukh está envolvido no desenvolvimento da trilha de estudo.

“Treinar um engenheiro químico que vai trabalhar em uma fábrica química em ciência de dados e inteligência artificial os torna um ativo real”, disse Deshmukh. "Porque eles vão ajudar a resolver problemas na indústria química que realmente não podem ser resolvidos usando métodos tradicionais." + Explorar mais

Uma nova estrutura baseada em aprendizado de máquina pode levar a avanços no design de materiais