The Open Molecules 2025 (OMol25) Dataset, Evaluations, and Models

Meta FAIR presenta Open Molecules 2025 (OMol25), un conjunto de datos a gran escala que incluye más de 100 millones de cálculos de teoría del funcional de la densidad (DFT) con una diversidad química y estructural sin precedentes, junto con modelos de referencia y evaluaciones para impulsar el desarrollo de modelos de aprendizaje automático en química molecular.

Lo esencial

¡Claro que sí! Imagina que la química es como un universo gigante de LEGO. Cada átomo es una pieza de LEGO, y las moléculas son las estructuras que construimos con ellas. Para entender cómo funcionan estas estructuras (por qué un medicamento cura una enfermedad o por qué una batería dura más), los científicos necesitan simular cómo se mueven y chocan estas piezas.

Aquí está el resumen de este papel científico, explicado como si fuera una historia:

🧱 El Problema: El "Cerebro" de la Química está cansado

Durante décadas, los científicos han usado una herramienta llamada DFT (Teoría del Funcional de la Densidad) para simular estas piezas de LEGO. Es como tener un superordenador que puede predecir exactamente cómo se comportará cada pieza. ¡Es increíblemente preciso!

Pero hay un problema: es lentísimo.
Simular una sola molécula pequeña puede tardar horas o días. Si quieres probar millones de combinaciones para encontrar el mejor medicamento o la mejor batería, necesitarías más tiempo del que tiene el universo. Es como intentar construir una ciudad entera de LEGO pieza por pieza con una mano muy lenta.

🚀 La Solución: El "Asistente" Inteligente (IA)

Aquí es donde entra el Aprendizaje Automático (Machine Learning). Imagina que entrenas a un asistente muy inteligente (una IA) para que observe al superordenador lento y aprenda sus trucos. Una vez entrenado, este asistente puede predecir lo que pasaría en milésimas de segundo, con casi la misma precisión que el superordenador, pero usando una fracción de la energía.

El problema es que para entrenar a este asistente, necesitas muchos ejemplos. Y hasta ahora, no teníamos suficientes ejemplos de "todo tipo" de moléculas.

📚 OMol25: La "Biblioteca Universal" de Moléculas

El equipo de Meta FAIR (los autores del papel) ha creado algo llamado OMol25. Piensa en esto como la biblioteca más grande y diversa del mundo de estructuras moleculares.

• El tamaño: Contiene más de 140 millones de cálculos. ¡Es como tener un millón de libros de química!
• La calidad: Todos estos cálculos fueron hechos con la herramienta más precisa (DFT), no con estimaciones rápidas.
• La diversidad: No solo hay moléculas simples. OMol25 incluye:
  • Proteínas y ADN (como los planos de la vida).
  • Complejos metálicos (moléculas con metales raros, como las que usan los catalizadores).
  • Electrolitos (los líquidos dentro de las baterías).
  • Reacciones químicas (moléculas rompiéndose y uniéndose).
  • Cargas y giros: Incluye moléculas cargadas eléctricamente o con diferentes estados de energía, algo que las bibliotecas anteriores ignoraban.

La analogía: Si las bibliotecas anteriores eran como una caja de LEGO con solo piezas rojas y azules, OMol25 es una caja con todas las formas, colores y tamaños posibles, incluyendo piezas raras que nadie había visto antes.

🏋️‍♂️ Entrenando a los "Atletas" (Modelos)

Con esta biblioteca gigante, los autores entrenaron a varios "atletas" (modelos de IA) para que aprendieran a predecir el comportamiento de las moléculas.

• El resultado: Estos modelos ahora pueden ver una molécula y decirte: "Esta va a explotar", "Esta va a curar un virus" o "Esta va a hacer que tu batería dure el doble", todo en un instante.
• La prueba: Los autores no solo soltaron los datos; crearon una pista de obstáculos (evaluaciones) para ver qué tan buenos son estos atletas. Les pidieron que resolvieran problemas reales, como:
  • ¿Cómo se une un medicamento a una proteína?
  • ¿Cuánta energía necesita para cambiar la carga de una batería?
  • ¿Qué pasa si estiramos una molécula hasta el límite?

🌍 ¿Por qué nos importa a todos?

Este trabajo es como abrir las puertas de un laboratorio secreto para todo el mundo.

1. Medicamentos más rápidos: Podríamos descubrir curas para enfermedades en meses en lugar de años.
2. Energía limpia: Podríamos diseñar baterías que carguen en segundos y duren años, o mejores paneles solares.
3. Materiales nuevos: Desde plásticos más fuertes hasta fertilizantes que no contaminen.

En resumen

Los científicos han construido un mapa gigante y ultra-preciso del mundo molecular (OMol25) y han entrenado a inteligencias artificiales para que lo lean y lo entiendan. Ahora, en lugar de tener que construir cada molécula desde cero con herramientas lentas, podemos usar estos mapas y asistentes para saltar directamente al futuro, diseñando lo que necesitamos para salvar el planeta y mejorar la vida humana.

¡Es como pasar de caminar a pie por un bosque desconocido a tener un GPS cuántico que te dice exactamente dónde está el tesoro! 🗺️✨

Resumen técnico

Resumen Técnico: Open Molecules 2025 (OMol25)

1. El Problema

El diseño y descubrimiento de nuevos materiales y fármacos dependen en gran medida de la simulación computacional de sistemas moleculares. Aunque la Teoría del Funcional de la Densidad (DFT) es el estándar de oro para la precisión química cuántica, su alto costo computacional (que escala cúbicamente con el número de electrones) limita su uso a sistemas pequeños o tiempos cortos, impidiendo campañas de cribado de alto rendimiento.

Los Potenciales Interatómicos de Aprendizaje Automático (MLIPs) han surgido como sustitutos de la DFT, ofreciendo precisión similar a una fracción del costo. Sin embargo, el desarrollo de modelos de ML robustos y generalizables se ha visto obstaculizado por la falta de conjuntos de datos de entrenamiento grandes, diversos y de alta precisión. Los conjuntos de datos existentes suelen ser pequeños (<1 millón de estructuras), limitados a elementos ligeros (C, H, O, N, F) y carecen de diversidad en estados de carga, espín, solvatación explícita y reactividad química. No existía un conjunto de datos a escala masiva (~100 millones de puntos) que combinara diversidad química, elemental y estructural con una teoría DFT de alto nivel.

2. Metodología

Para abordar esta brecha, Meta FAIR y colaboradores han desarrollado OMol25, un conjunto de datos masivo y diverso.

• Escala y Precisión: El dataset contiene más de 140 millones de cálculos DFT de punto único, representando miles de millones de horas de núcleo de CPU. Todos los cálculos se realizaron al nivel de teoría $\omega$B97M-V/def2-TZVPD, un funcional híbrido meta-GGA de rango separado reconocido por su alta precisión en una amplia gama de tareas de química cuántica.
• Diversidad Química y Estructural:
  • Elementos: Cubre los primeros 83 elementos de la tabla periódica.
  • Dominios Químicos: Incluye cuatro dominios principales:
    1. Biomoléculas: Interacciones proteína-ligando, proteína-proteína, ADN/ARN, y fragmentos de proteínas con estados de protonación y tautómeros variados.
    2. Complejos Metálicos: Especies organometálicas y de coordinación con metales de transición, lantánidos y metales principales, variando en estados de oxidación, espín y geometrías.
    3. Electrolitos: Soluciones acuosas y no acuosas, líquidos iónicos y sales fundidas, incluyendo efectos de solvatación explícita, interfaces y efectos cuánticos nucleares (mediante RPMD).
    4. Moléculas del Grupo Principal: Moléculas reactivas, clusters pesados, estados de carga extremos y compuestos de gases nobles.
  • Estrategias de Muestreo: Se utilizaron técnicas avanzadas como dinámica molecular clásica (MD), muestreo de conformeros, métodos de fuerza artificial inducida (AFIR) para reactividad, y muestreo basado en MLIPs (EquiformerV2) para explorar regiones del espacio de configuración que los campos de fuerza clásicos no capturan.
• Generación de Datos: Se emplearon herramientas como Architector para generar complejos metálicos, BioLiP2 para interacciones biológicas, y se recomputaron conjuntos de datos comunitarios existentes (como ANI-2X, SPICE2, GEOM) para asegurar consistencia en el nivel de teoría.
• División de Datos: El dataset se dividió en conjuntos de entrenamiento, validación y prueba basados en composiciones químicas (fórmulas moleculares) para evitar fugas de datos. Se incluyen divisiones explícitamente "fuera de distribución" (OOD) para probar la generalización en pares metal-ligando, reactividad y estructuras cristalinas experimentales.

3. Contribuciones Clave

1. OMol25 Dataset: El primer conjunto de datos de su tipo que abarca la amplitud de la química molecular (orgánica, inorgánica, bioquímica) a un nivel de teoría DFT alto y consistente. Incluye propiedades calculadas más allá de la energía y fuerzas, como cargas parciales, espines, energías orbitales y matrices de Fock.
2. Evaluaciones Exhaustivas: Se introducen una serie de tareas de evaluación diseñadas para medir la utilidad práctica de los modelos en química, más allá de los errores medios absolutos (MAE) estándar. Estas incluyen:
   • Energía y fuerzas de interacción proteína-ligando.
   • Energía de deformación (strain) de ligandos y ordenamiento de conformeros.
   • Energías de protonación y diferencias de energía de ionización/afinidad electrónica (IE/EA).
   • Brechas de espín (spin gaps) y escalado de distancia (interacciones de corto y largo alcance).
3. Líneas Base y Modelos: Se proporcionan modelos base entrenados (eSEN, GemNet-OC, UMA, MACE) para establecer un punto de referencia. Se destaca la necesidad de incorporar la carga total y el espín como entradas en la arquitectura de los modelos para manejar la diversidad del dataset.
4. Recursos Abiertos: El dataset, los pesos de los modelos y el código están disponibles públicamente bajo licencias permisivas, junto con un leaderboard público para fomentar la innovación comunitaria.

4. Resultados

• Rendimiento de Modelos: Los modelos entrenados en OMol25 (especialmente las variantes grandes como UMA-M-1.1 y GemNet-OC) lograron errores de energía de aproximadamente 1.0 - 1.4 kcal/mol y errores de fuerza de 0.13 - 0.20 kcal/mol/Å en conjuntos de prueba generales. Esto se acerca o supera la "precisión química" (~1 kcal/mol) en dominios como biomoléculas y orgánicos neutros.
• Desafíos Persistentes: Aunque el rendimiento es prometedor, las tareas de evaluación revelaron brechas significativas en áreas complejas:
  • IE/EA y Brechas de Espín: Los errores en la predicción de diferencias de energía entre estados de carga o espín siguen siendo altos (4-9 kcal/mol), indicando que los modelos actuales tienen dificultades para capturar la física electrónica de sistemas abiertos y metales de transición.
  • Interacciones de Largo Alcance: Los modelos basados en cortes de distancia (cutoff) muestran discontinuidades y errores elevados al predecir interacciones no covalentes a distancias mayores a 6-12 Å, un problema crítico para electrolitos y sistemas biológicos.
• Generalización: Los modelos entrenados en el conjunto completo ("All") superaron significativamente (50-100% de mejora) a los entrenados en subconjuntos más pequeños (4M), demostrando la importancia de la escala y la diversidad de los datos.

5. Significado e Impacto

OMol25 representa un salto cualitativo en la infraestructura de datos para la química computacional impulsada por IA.

• Aceleración del Descubrimiento: Permite el cribado de alto rendimiento de vastos espacios químicos con una precisión cercana a la DFT, facilitando el diseño de fármacos, catalizadores y materiales para baterías.
• Estándar de Referencia: Establece un nuevo estándar para la evaluación de modelos de ML, moviendo el enfoque de métricas simples de energía/fuerza a tareas químicamente relevantes (reactividad, propiedades electrónicas, interacciones intermoleculares).
• Dirección Futura: El trabajo señala que, aunque los modelos actuales son potentes, la próxima generación de arquitecturas debe centrarse en mejorar la representación de la carga/espín local, las interacciones de largo alcance y la física electrónica de sistemas complejos (metales, radicales) para lograr una utilidad científica generalizada.

En resumen, OMol25 no solo proporciona un recurso de datos masivo, sino que también define un marco riguroso para evaluar y mejorar los potenciales de fuerza atómica, impulsando la transición de la simulación molecular de un enfoque de nicho a una herramienta de descubrimiento a gran escala.