Elucidating the Size of Chemical Space with Assembly Theory

Este artículo utiliza la Teoría del Ensamblaje, una medida de principios fundamentales de la complejidad molecular basada en operaciones recursivas de unión de enlaces, para reestimar el tamaño del espacio químico, revelando que bajo restricciones de tipo fármaco (masa < 500 Da), el número de moléculas posibles alcanza aproximadamente 10^117 en un Índice de Ensamblaje de 25, creciendo de forma superexponencial a doble exponencial conforme aumenta la complejidad.

Lo esencial

Imagina que estás intentando contar cada uno de los posibles castillos de Lego que podrías construir. Podrías pensar: "Bueno, hay tantas formas de encajar piezas que el número es básicamente infinito". Los científicos han intentado adivinar este número antes, diciendo a menudo que hay alrededor de 10 a la potencia de 60 (un 1 seguido de 60 ceros) moléculas "similares a fármacos". Pero esas conjeturas tenían un fallo: contaban todas las combinaciones posibles de piezas, incluso aquellas que se desarmarían inmediatamente o que no tendrían sentido físico. No se preguntaban: "¿Qué tan difícil es realmente construir esto?".

Este artículo presenta una nueva forma de contar el universo de las moléculas posibles utilizando el concepto de Teoría de la Asamblea (Assembly Theory). Piensa en esto no solo como contar el castillo final, sino como contar el número mínimo de pasos necesarios para construirlo desde cero.

Aquí está el desglose de sus hallazgos utilizando analogías simples:

1. La métrica del "Manual de Instrucciones"

Imagina que tienes una molécula específica. Para construirla, necesitas un conjunto de instrucciones.

• La forma antigua: Solo cuenta cuántos átomos hay en la molécula.
• La nueva forma (Teoría de la Asamblea): Cuenta el número mínimo de movimientos de "encaje" necesarios para construirla desde cero.
  • Si tienes una cadena larga de cuentas idénticas, puedes construirla rápidamente duplicando un pequeño fragmento una y otra vez. Este es un objeto de "baja complejidad".
  • Si tienes una molécula donde cada parte es única y tienes que unir las partes una por una, eso requiere muchos más pasos. Este es un objeto de "alta complejidad".

Los autores llaman a este número de pasos el Índice de Asamblea. Es como una "calificación de dificultad" para construir algo.

2. El "Universo Lego" frente al "Mundo Real"

El artículo distingue entre dos espacios:

• El Universo de la Asamblea: Este es el espacio teórico de todas las formas posibles que podrías hacer con piezas de Lego, incluso si la forma es inestable o imposible de mantener unida en la vida real.
• Espacio Químico: Este es un subconjunto del "Mundo Real". Solo incluye moléculas que son físicamente estables y que pueden existir realmente (como las de la base de datos GDB-13, que contiene casi mil millones de moléculas similares a fármacos del mundo real).

Los investigadores utilizaron la base de datos GDB-13 como un mapa para ver qué tan grande es realmente el espacio químico del "Mundo Real".

3. ¿Qué tan rápido crece el espacio?

La gran pregunta era: A medida que la "calificación de dificultad" (Índice de Asamblea) aumenta, ¿qué tan rápido explota el número de moléculas posibles?

• El hallazgo: El número de moléculas posibles crece superrápido.
  • Crece más rápido que una curva exponencial estándar (como el interés compuesto).
  • Crece a una tasa que se encuentra entre lo superexponencial y lo doble exponencial.
  • La analogía: Si imaginas el número de moléculas como un globo, el crecimiento estándar es como inflarlo lentamente. Este artículo sugiere que el globo se está inflando tan rápido que prácticamente está explotando.

4. El efecto "Filtro"

El artículo también analizó qué sucede cuando se ponen "filtros" al juego de Lego.

• Sin anillos: Si solo permites cadenas rectas de átomos (sin bucles), el espacio crece de una manera específica.
• Con anillos: Si permites que los átomos formen bucles (anillos), las moléculas tienden a ser más "simétricas" (más fáciles de construir copiando partes), lo que cambia la forma en que crece el espacio.
• Motivos específicos: Si exiges que una molécula tenga una forma específica (como un anillo cuadrado), el espacio se reduce, pero sigue siendo astronómicamente enorme.

5. El recuento final

Cuando los investigadores aplicaron todas las reglas estándar para las moléculas "similares a fármacos" (cosas como: debe tener un peso determinado, debe ser estable, debe tener tipos específicos de átomos) y observaron las moléculas con un Índice de Asamblea de 25, calcularon el tamaño de este espacio.

El resultado: Existen aproximadamente 10 a la potencia de 117 moléculas posibles.

Para poner esto en perspectiva:

• La estimación anterior era 10^60.
• La nueva estimación es 10^117.
• Ese es un número tan grande que eclipsa el número de átomos en todo el universo observable.

Resumen

El artículo argumenta que el "universo de las moléculas posibles" no es solo grande; es espantuosamente vasto, y crece a un ritmo aterradoramente rápido a medida que aumenta la complejidad. Al utilizar un método de "conteo de pasos" (Teoría de la Asamblea) en lugar de solo contar átomos, descubrieron que, incluso con reglas estrictas sobre lo que constituye un buen fármaco, el número de posibilidades es de aproximadamente 10^117. Esto sugiere que encontrar una molécula específica y útil en este océano de posibilidades es una tarea increíblemente difícil, simplemente porque el océano es mucho más grande de lo que pensábamos anteriormente.

Resumen técnico

Resumen Técnico: Elucidación del Tamaño del Espacio Químico mediante la Teoría de Ensamblaje

Planteamiento del Problema
El espacio químico se estima tradicionalmente como vasto, con cálculos heurísticos que sugieren aproximadamente $10^{60}$ moléculas "similares a fármacos" por debajo de 500 Da. Sin embargo, estas estimaciones a menudo no tienen en cuenta la complejidad estructural y sintética de las moléculas enumeradas. Los enfoques existentes para cuantificar el espacio químico dependen de la enumeración explícita (por ejemplo, bases de datos GDB) o la generación implícita (por ejemplo, algoritmos genéticos, aprendizaje profundo), pero ninguno captura plenamente la restricción fundamental de la constructibilidad o la tasa a la que el espacio crece con el aumento de la complejidad. Existe la necesidad de un marco basado en primeros principios para particionar el espacio químico según la complejidad causal requerida para construir las moléculas, en lugar de solo sus propiedades estáticas.

Metodología
Los autores emplean la Teoría de Ensamblaje, un marco que cuantifica la complejidad causal de un objeto midiendo el número mínimo de operaciones recursivas de unión de bloques de construcción necesarias para construirlo. Este métrica se define como el Índice de Ensamblaje ($a$).

1. Marco Teórico:

   • Las moléculas son tratadas como grafos moleculares ($O$) construidos a partir de bloques de construcción ($BB$).
   • El Estado de Ensamblaje se define por el par $(a, S)$, donde $S$ es el tamaño (número de enlaces) y $a$ es el Índice de Ensamblaje.
   • Se establecen límites teóricos para el Índice de Ensamblaje: $\log_2(S) \leq a \leq S-1$. Se derivan límites mejorados basados en el número de bloques de construcción ($|BB|$) y el tamaño $S$, denotado como $a_{max}(S, BB)$.
   • El artículo utiliza inclusiones de conjuntos para acotar el número de moléculas hasta un determinado Índice de Ensamblaje $n$: $|Set(a_{max} \leq n)| \leq |Set(a \leq n)| \leq |Set(l(S) \leq n)|$.

2. Datos y Computación:

   • Línea Base: Se utiliza la base de datos GDB-13 (que contiene ~977 millones de moléculas similares a fármacos con hasta 13 átomos pesados: C, N, O, S, Cl) como un proxy de lo "Ensamblable Físicamente" (moléculas físicamente posibles).
   • Proxy del Universo: Se utilizan Grafos Conectados Simples (SCG) para representar el "Universo de Ensamblaje" (todas las posibilidades combinatorias).
   • Algoritmo: Los autores computan el Índice de Ensamblaje exacto para todas las moléculas en la base de datos GDB-13 y para los SCG hasta 18 aristas utilizando algoritmos especializados (por ejemplo, la biblioteca nauty).
   • Restricciones: El análisis aplica diversas restricciones a los datos de GDB-13, incluyendo:
     • Restricciones de tipo de enlace (por ejemplo, solo enlaces sencillos, sencillos/dobles, combinaciones específicas de heteroátomos).
     • Restricciones estructurales (por ejemplo, presencia/ausencia de anillos, tamaños de anillo específicos como el ciclobutano).

Contribuciones Clave

• Partición por Complejidad: El artículo introduce un método para particionar el espacio químico en niveles definidos por el Índice de Ensamblaje, creando un orden constructivo de las moléculas basado en los pasos causales mínimos requeridos para su formación.
• Límites de la Tasa de Crecimiento: El estudio establece que el espacio químico crece al menos de forma superexponencial y, a lo sumo, de forma doble exponencial con respecto al Índice de Ensamblaje.
• Cuantificación de Restricciones: Los autores demuestran cómo las restricciones físicas y estructurales específicas (tipos de átomos, tipos de enlaces, presencia de anillos) alteran la distribución de las moléculas dentro del Espacio de Estado de Ensamblaje y afectan la tasa de crecimiento del espacio.
• Validación Numérica: El trabajo proporciona la primera confirmación numérica, utilizando la base de datos GDB-13, de que el "Ensamblable Molecular" crece superexponencialmente, apoyando conjeturas teóricas previas.

Resultados

• Dinámicas de Crecimiento: El análisis de los Grafos Conectados Simples (SCG) muestra que el número acumulado de grafos crece cerca del límite superior doble exponencial. La mayoría de los grafos en este universo son "duplicado-simétricos" (construidos mediante duplicación recursiva).
• Espacio Químico (GDB-13):
  • La distribución de las moléculas de GDB-13 en el Espacio de Estado de Ensamblaje se encuentra entre el límite inferior y el superior teórico.
  • El espacio crece superexponencialmente hasta el Índice de Ensamblaje 4 (el límite de los datos completos en la base de datos).
  • Efectos de las Restricciones:
    • Las moléculas con solo enlaces carbono-carbono sencillos exhiben un crecimiento cercano al límite doble exponencial.
    • La introducción de múltiples tipos de enlaces o heteroátomos desplaza la tasa de crecimiento lejos del límite doble exponencial, aunque la mayoría de las moléculas siguen siendo duplicado-simétricas.
    • Restricciones de Anillos: La presencia de anillos aumenta la simetría de duplicación, causando que la distribución se incline hacia el límite simétrico. Por el contrario, las moléculas acíclicas (sin anillos) se comportan más como cadenas, inclinándose hacia el límite de duplicado-asimétrico.
• Estimación de Tamaño: Bajo restricciones comparables a las estimaciones estándar de fármacos (masa molecular < 500 Da), el análisis proyecta un espacio químico de aproximadamente $10^{117}$ moléculas en el Índice de Ensamblaje 25.

Significado
El artículo afirma proporcionar una estimación de los primeros principios del tamaño del espacio químico que tiene en cuenta la complejidad causal de la construcción, en lugar de solo la enumeración combinatoria. Al utilizar el Índice de Ensamblaje, los autores ofrecen una métrica medible para navegar la vastedad del espacio químico, distinguiendo entre regiones que son estructuralmente simples (alta simetría) y aquellas que son complejas. Este enfoque permite la cuantificación de cómo las restricciones estructurales (como las encontradas en el descubrimiento de fármacos) reducen el espacio accesible. Los autores postulan que este marco ofrece conocimientos no solo para el diseño de fármacos y materiales, sino también para la naturaleza de otros espacios combinatorios, como los espacios genéticos y proteicos, al definir los límites fundamentales de la constructibilidad.