El quilo, con “q” es el líquido formado en el duodeno (intestino delgado) por bilis, jugo pancreático y lípidos emulsionados resultado de la digestión de los alimentos ingeridos. En el podcast Quilo de Ciencia, realizado por el profesor Jorge Laborda, intentamos “digerir” para el oyente los kilos de ciencia que se generan cada semana y que se publican en las revistas especializadas de mayor impacto científico. Los temas son, por consiguiente variados, pero esperamos que siempre resulten interesantes, amenos, y, en todo caso, nunca indigestos.
Probablemente, el área de investigación más importante de la Química es la síntesis de nuevas moléculas que posean propiedades deseadas. La estrategia que se ha revelado más productiva en esta tarea es el análisis retro sintético. Este análisis parte de la estructura química de la molécula final que se pretende conseguir e intenta ir hacia atrás, es decir, identificar las reacciones químicas entre moléculas cada vez más simples que la podrían originar. Aún con esta estrategia, la creatividad e intuición de una mente humana bien entrenada en el conocimiento químico son absolutamente necesarias, y no siempre garantizan el éxito de la operación. Esto es así por diversas razones, entre las que podemos mencionar que las reglas de la Química tienen sus excepciones y no siempre funcionan de la forma esperada.
Automatización de la inteligencia química
La síntesis química puede ser asimilada a un juego de estrategia en el que, conociendo sus reglas, es necesario tomar decisiones a cada paso para conseguir el éxito final. Por consiguiente, algoritmos similares a los empleados en inteligencia artificial para jugar al ajedrez y al Go podrían ser empleados también para conseguir que los ordenadores aprendan a sintetizar moléculas complejas.
Esto es precisamente lo que ha conseguido un grupo de investigadores, mediante la combinación de la estrategia llamada árbol de búsqueda de Monte Carlo con tres redes neuronales capaces de aprender. La estrategia de Monte Carlo consiste en tomar al azar varias decisiones encaminadas a alcanzar un objetivo dado y comprobar más tarde cuál de ellas ha tenido mayor éxito. Es equivalente a jugar una misma partida de ajedrez muchas veces, tomando diferentes opciones en cada movimiento para finalmente conseguir los movimientos óptimos conducentes a la victoria. Las redes neuronales son capaces de aprender, de extraer las reglas de esos movimientos, y de implementarlos en partidas nuevas.
En el caso que nos ocupa, una misma partida correspondería a la síntesis de una molécula concreta y partidas nuevas corresponderían a la síntesis de otras moléculas diferentes. Evidentemente, lo aprendido con una o varias “partidas de síntesis química” puede luego aplicarse a “partidas nuevas”.
Este sistema informático inteligente no parte de la nada, sino que los investigadores lo alimentan con el conocimiento químico conseguido hasta ahora. Para ello, extraen las reglas de transformación química de unas moléculas en otras a partir de 12,4 millones de reacciones químicas confirmadas, almacenadas en la base de datos Reaxys. Con estas reglas entrenan a las redes neuronales para que aprendan a utilizarlas de modo que sean capaces de predecir qué reglas utilizar para conseguir una nueva molécula. Este conocimiento es afinado más tarde por la propia máquina con la estrategia Monte Carlo, lo que consigue que esta aumente su conocimiento químico.
Los científicos prueban la eficacia de su sistema haciendo que la máquina diseñe estrategias de síntesis para nueve moléculas complejas y mostrando luego estas estrategias, junto con otras diseñadas por humanos, a 45 expertos en síntesis química. Ninguno de ellos consideró a las estrategias propuestas por la máquina inferiores en ningún caso a las humanas.
Referencia: Marwin H. S. Segler et al. (2018). Planning chemical syntheses with Deep neural networks and symbolic AI. Nature. http://www.nature.com/doifinder/10.1038/nature25978
Más información en el Blog de Jorge Laborda
Obras de divulgación de Jorge Laborda
Quilo de Ciencia Volumen I. Jorge Laborda
Quilo de Ciencia Volumen II. Jorge Laborda
Quilo de Ciencia Volumen III. Jorge Laborda
Quilo de Ciencia Volumen IV. Jorge Laborda
Quilo de Ciencia Volumen V. Jorge Laborda
Quilo de Ciencia Volumen VI. Jorge Laborda
Quilo de Ciencia Volumen VII. Jorge Laborda
Quilo de Ciencia Volumen VIII. Jorge Laborda
Circunstancias encadenadas. Ed. Lulu
Circunstancias encadenadas. Amazon
Una Luna, una civilización. Por qué la Luna nos dice que estamos solos en el Universo
One Moon one civilization why the Moon tells us we are alone in the universe
Apoya a CienciaEs haciéndote MECENAS con una donación periódica o puntual.
40,8 millones de audios servidos desde 2009
Agradecemos la donación de:
José V González F
“A nombre de mi hijo León Emiliano hacemos esta pequeña aportación. Escuchar ciencia juntos nos hace muy felices. Gracias.”
Mecenas
Héctor Vaquero Benito
Mecenas
Carlos Garcia Gutierrez
“Gracias por su gran labor divulgativa”
Mecenas
Francisco Sicilia Espuny
Mecenas
Jesús Mª Perez Carranza
Mecenas
Mario Castiñeira Garcia
Mecenas
Jurgen Goicoechea
“Entretiene y siempre se aprende.”
Mecenas
Urko Iturbe
Mecenas
Labea
Nuevo Mecenas a través de Patreon
Julia Dolores Martínez Vilela
“Gracias por entretener”
Mecenas
Frida Palacios García
Mecenas
Vicente Manuel Cereza
“Linfocito T CD8 citotóxico”
Mecenas
Anónimo
Mecenas
Jesús Antón Cayuela
Mecenas
Ernesto Mauricio Deluquez.
Mecenas
Luis Miguel Muñoz Gallo
Mecenas
Marlene Musiol.
Mecenas
Rogelio Cueva
“Saludos desde Mexico y felicidades por difundir la ciencia de una manera interesante y clara.”
Mecenas
Daniel Ocana
Mecenas
Terrence Rooney
Mecenas
Aser Sanchez Huerga
Mecenas
María D Walker
Mecenas
Juan Agustín Esteban Jiménez
Mecenas