Algoritmo evolutivo gera impressões digitais moleculares personalizadas
Resumo gráfico. Crédito:Química (2024). DOI:10.1016/j.chempr.2024.02.004 Uma equipe liderada pelo Prof Frank Glorius do Instituto de Química Orgânica da Universidade de Münster desenvolveu um algoritmo evolutivo que identifica as estruturas em uma molécula que são particularmente relevantes para uma determinada questão e as utiliza para codificar as propriedades das moléculas para vários modelos de aprendizado de máquina.
O método também é adequado para a previsão automática de propriedades químicas quânticas e da toxicidade de moléculas. Pode ser aplicado a qualquer conjunto de dados moleculares e não requer conhecimento especializado das relações subjacentes.
A inteligência artificial e a aprendizagem automática estão a tornar-se cada vez mais relevantes na vida quotidiana – e o mesmo se aplica à química. Os químicos orgânicos, por exemplo, estão interessados em saber como a aprendizagem automática pode ajudar a descobrir e sintetizar novas moléculas que sejam eficazes contra doenças ou que sejam úteis de outras formas.
O novo algoritmo desenvolvido pela equipe de Glorius busca representações moleculares ótimas baseadas nos princípios da evolução, utilizando mecanismos como reprodução, mutação e seleção. Dependendo do modelo e da questão dada, são criadas “impressões digitais moleculares” personalizadas, que os químicos usaram em seu estudo para prever reações químicas com surpreendente precisão.
O método, publicado na revista Chem , também é adequado para prever propriedades químicas quânticas e a toxicidade de moléculas.
Para usar o aprendizado de máquina, os pesquisadores devem primeiro converter as moléculas em um formato legível por computador. Muitos grupos de investigação já abordaram este problema e, consequentemente, existem várias formas de realizar esta tarefa. No entanto, é difícil prever qual dos métodos disponíveis é mais adequado para responder a uma questão específica – por exemplo, para determinar se um composto químico é prejudicial aos seres humanos.
O novo algoritmo foi projetado para ajudar a encontrar a impressão digital molecular ideal em cada caso. Para fazer isso, o algoritmo seleciona gradualmente as impressões digitais moleculares que alcançam os melhores resultados na previsão a partir de muitas impressões digitais moleculares geradas aleatoriamente.
“Seguindo o exemplo da natureza, usamos mutações, ou seja, mudanças aleatórias em componentes individuais das impressões digitais, ou recombinamos componentes de duas impressões digitais”, explica o estudante de doutorado Felix Katzenburg.
“Em outros estudos, as moléculas são frequentemente descritas por propriedades quantificáveis que foram selecionadas e calculadas por humanos”, acrescenta Glorius.
“Como o algoritmo que desenvolvemos identifica automaticamente as estruturas moleculares relevantes, não há preconceitos sistemáticos causados por especialistas humanos”.
Outra vantagem é que o método de codificação permite entender porque um modelo faz determinada previsão. Por exemplo, é possível tirar conclusões sobre quais partes de uma molécula impactam positiva ou negativamente a previsão de como uma reação se desenrolaria, permitindo aos investigadores alterar as estruturas relevantes de uma forma direcionada.
A equipe de Münster descobriu que seu novo método nem sempre alcançava os melhores resultados.
"Quando uma experiência humana considerável é dedicada à seleção de propriedades moleculares particularmente relevantes ou quando grandes quantidades de dados estão disponíveis, outros métodos, como as redes neurais, às vezes têm vantagem", diz Katzenburg.
No entanto, um dos principais objetivos do estudo foi desenvolver um método para codificar moléculas que possa ser aplicado a qualquer conjunto de dados moleculares e não exija conhecimento especializado das relações subjacentes.
