En los silenciosos laboratorios de la química computacional, los científicos han dependido durante mucho tiempo de un tipo específico de huella digital para comprender el mundo invisible de las moléculas. Estas huellas digitales, conocidas como embeddings, son resúmenes matemáticos que capturan la esencia de una estructura química, permitiendo que las computadoras predigan cómo se comportará una sustancia, si se disolverá en agua o si podría ser tóxica. Durante años, la creación de estas huellas requería herramientas especializadas diseñadas para un único propósito: tomar una foto de una molécula o leer su código químico y escupir un número fijo. Este enfoque funcionaba bien para tareas específicas, pero carecía de flexibilidad. No podía cambiar fácilmente su enfoque basándose en lo que un científico estaba preguntando. Si un investigador quería saber sobre la capacidad de una molécula para atravesar la barrera hematoencefálica, la herramienta daba la misma respuesta que si estuviera preguntando por su capacidad para disolverse en aceite, porque la herramienta no entendía la pregunta, solo la forma de la molécula.

Esta limitación se ha convertido en un cuello de botella a medida que el campo avanza hacia el diseño de materiales y el descubrimiento de fármacos más complejos. Los científicos necesitaban una forma de hablar con estas huellas digitales, de pedirles que resaltaran diferentes características dependiendo del contexto de la consulta. La pregunta era si los sistemas de inteligencia artificial potentes y flexibles que ya pueden leer texto y ver imágenes podrían ser reutilizados para crear estas huellas químicas adaptables. En lugar de construir una herramienta nueva y estrecha para cada problema químico, los investigadores se preguntaron si un sistema único y de propósito general podría aprender a representar las moléculas de una manera que cambie según el lenguaje utilizado para describirlas.

Un equipo de investigadores de la Universidad China de Hong Kong, Shenzhen, y el Laboratorio de Inteligencia Artificial de Shanghái, se propuso responder a esta pregunta con un nuevo marco de trabajo que llaman MolEmb. Comenzaron con un tipo de inteligencia artificial conocida como modelo de lenguaje de gran tamaño multimodal. Estos son los mismos tipos de sistemas que pueden mirar una fotografía, leer una oración y comprender la relación entre ambas. Los investigadores se dieron cuenta de que estos modelos eran naturalmente adecuados para manejar las diferentes formas en que se puede describir una molécula: como un dibujo bidimensional, como una cadena de caracteres de texto que representan su estructura química, o como un conjunto de instrucciones sobre qué propiedad investigar.

El equipo construyó un sistema ligero para enseñar a estos grandes modelos a actuar como expertos en embeddings moleculares. No intentaron enseñar al modelo a generar nuevas moléculas o a escribir artículos químicos desde cero. En su lugar, se centraron en entrenar al modelo para alinear la descripción visual y textual de una molécula con una instrucción de texto específica. Imagine una molécula como un objeto complejo que puede ser visto a través de diferentes lentes. Los investigadores le mostraron al modelo una imagen de una molécula y su código químico, y luego vincularon eso con una instrucción de texto como "analizar toxicidad" o "analizar solubilidad". El objetivo era hacer que el modelo produjera una huella digital única para esa molécula que variara ligeramente dependiendo de la instrucción. Cuando la instrucción era sobre toxicidad, la huella enfatizaría las partes de la molécula relevantes para la seguridad. Cuando la instrucción cambiaba a solubilidad, la huella se desplazaría para resaltar las partes relevantes para disolverse en agua.

Para probar si este enfoque funcionaba, los investigadores realizaron una serie de experimentos rigurosos. Primero, comprobaron si el nuevo sistema podía predecir propiedades químicas con la misma precisión que las herramientas especializadas que se utilizan actualmente. Descubrieron que el sistema, incluso sin ningún entrenamiento especial en tareas químicas específicas, podía predecir propiedades como la solubilidad y la toxicidad con un nivel de precisión que rivalizaba con los mejores métodos existentes. Este fue un hallazgo significativo porque sugirió que el modelo de propósito general ya había aprendido lo suficiente sobre las estructuras químicas como para ser útil, simplemente al comprender la relación entre la imagen de la molécula, su código de texto y el lenguaje utilizado para describirla.

A continuación, el equipo probó si estas huellas digitales podían utilizarse para buscar moléculas mediante texto. En los sistemas tradicionales, uno no puede buscar en una base de datos de moléculas escribiendo una frase como "encuéntreme una molécula que sea tóxica para las células hepáticas" y esperar obtener un resultado relevante, porque los datos químicos y los datos de texto viven en mundos separados. Los investigadores demostraron que su nuevo sistema creaba un espacio compartido donde las moléculas y las descripciones textuales podían compararse directamente. Cuando pidieron al sistema que encontrara una molécula que coincidiera con una descripción específica, tuvo éxito con una alta precisión, demostrando que el modelo realmente había aprendido a conectar los aspectos visuales y textuales de la química en una representación única y unificada.

La prueba más crítica, sin embargo, era ver si el sistema podía realmente cambiar de opinión basándose en el contexto. Los investigadores crearon un banco de pruebas diagnóstico llamado MolCAR para ver si el modelo podía distinguir entre diferentes descripciones válidas de la misma molécula. Presentaron al modelo una sola molécula y le pidieron que encontrara la descripción correcta para una tarea específica, como la toxicidad, mientras ignoraba otras descripciones válidas para otras tareas, como la hidratación. Antes de añadir una capa final de entrenamiento específico, el modelo tenía dificultades para hacer esta distinción. Trataba a la molécula como si tuviera una identidad fija, independientemente de la pregunta planteada. Sin embargo, después de que los investigadores entrenaran al modelo con un conjunto de datos diseñado específicamente para emparejar moléculas con diferentes descripciones enfocadas en tareas, el sistema aprendió a cambiar su enfoque. Comenzó a producir diferentes huellas digitales para la misma molécula dependiendo de si la pregunta era sobre toxicidad o solubilidad.

Los resultados sugieren que los modelos de lenguaje de gran tamaño multimodales no son solo herramientas para generar ideas químicas o responder preguntas; pueden servir como la base para un nuevo tipo de representación molecular. El estudio indica que la capacidad de crear huellas digitales químicas conscientes del contexto no es un defecto inherente en la arquitectura del modelo, sino una cuestión de los datos con los que se entrena. Cuando los datos de entrenamiento incluyen ejemplos diversos de la misma molécula descrita bajo diferentes lentes científicas, el modelo aprende a adaptarse. Este hallazgo apunta hacia un futuro donde un único sistema de propósito general pueda reemplazar una colección de herramientas estrechas y especializadas, permitiendo a los científicos consultar datos químicos con la misma flexibilidad con la que buscan información en una biblioteca. El trabajo demuestra que, al alinear los perfiles moleculares con instrucciones de lenguaje natural, estos poderosos modelos pueden convertirse en una infraestructura versátil para la próxima generación de descubrimiento de fármacos e investigación química.