Investigadores de la UPM desarrollan métodos de inteligencia artificial para predecir transiciones moleculares, mejorando la comprensión de reacciones químicas y el plegamiento de proteínas, con aplicaciones en biomedicina y nanotecnología.
Comprender los mecanismos detrás de cómo y por qué las moléculas cambian de estado, como en el caso de las reacciones químicas o el plegamiento de proteínas, representa uno de los desafíos más significativos en el ámbito de la física y la química molecular. Estos fenómenos, a menudo complejos, son difíciles de simular con métodos convencionales. Por esta razón, la búsqueda de nuevas técnicas para desentrañar estos enigmas se ha convertido en un área crucial de investigación.
En este contexto, un grupo de investigadores liderado por Alberto Megías, de la Universidad Politécnica de Madrid (UPM), ha colaborado con equipos en Francia y Estados Unidos para desarrollar innovadores métodos basados en Inteligencia Artificial. Estas herramientas tienen como objetivo predecir y analizar cambios moleculares, ofreciendo respuestas a interrogantes que han permanecido sin resolver.
El enfoque del equipo se basa en el uso de redes neuronales para generar simulaciones que reflejan el comportamiento molecular durante diversas reacciones. “Nuestro trabajo utiliza estas redes para observar y comprender no solo cómo se producen los cambios, sino también sus consecuencias”, explica Megías.
Entre los principales objetivos del estudio se incluyen:
Una parte destacada del trabajo fue la identificación de dos caminos de transición en el plegamiento de una proteína artificial llamada chignolina, utilizando la red neuronal PCCANN. Este hallazgo fue publicado en la revista Nature Computational Science.
Los investigadores han desarrollado redes neuronales que aprenden información clave para entender las transformaciones en sistemas moleculares complejos. Uno de estos métodos permite descubrir iterativamente los caminos que sigue una molécula al cambiar de estado.
PCCANN, la red neuronal creada por el equipo, aprende una función denominada comitor, que indica la probabilidad de que una configuración avance hacia un estado final específico. Esto facilita la identificación de múltiples mecanismos dentro del mismo proceso biomolecular. En investigaciones posteriores, se introdujo una nueva arquitectura basada en redes neuronales de grafos llamada qGNN.
"Esta versión avanzada puede aprender directamente a partir de las posiciones atómicas, eliminando la necesidad de que los científicos seleccionen previamente variables importantes", añade Megías. "Además, permite identificar qué átomos son más relevantes en cada reacción y calcular propiedades clave del proceso".
La relevancia del trabajo radica en su capacidad para mejorar nuestra comprensión sobre procesos fundamentales en química, física, biología y ciencia de materiales. Al integrar inteligencia artificial, estos nuevos enfoques permiten analizar reacciones y cambios moleculares que anteriormente requerían un tiempo considerable o eran difíciles de interpretar.
Las posibles aplicaciones son amplias e incluyen:
"Estos avances pueden acelerar significativamente la investigación en biomedicina, química y nanotecnología", concluye Megías. "Facilitan el descubrimiento de mecanismos moleculares que antes resultaban casi invisibles para las simulaciones tradicionales".
PCCANN es una red neuronal creada por el equipo de investigación que aprende la función comitor, que indica la probabilidad de que una configuración molecular avance hacia un estado final concreto. Permite identificar múltiples mecanismos dentro de un mismo proceso biomolecular.
Los métodos desarrollados pueden aplicarse en el diseño de nuevos fármacos, la comprensión del plegamiento de proteínas y el desarrollo de nuevos materiales y catalizadores, acelerando así la investigación en biomedicina, química y nanotecnología.
La arquitectura qGNN puede aprender directamente a partir de las posiciones de los átomos sin necesidad de que los científicos seleccionen previamente las variables importantes. Esto permite identificar qué átomos son más relevantes en una reacción y calcular propiedades clave del proceso.