Towards practical molecular structure elucidation: A lightweight multi-spectral CNN-Transformer framework

Los químicos han dependido durante mucho tiempo de un conjunto de herramientas para averiguar cómo es una molécula simplemente escuchando cómo vibra o cómo responden sus átomos a los campos magnéticos. Estas herramientas, conocidas como espectroscopia, producen patrones complejos de líneas y picos que actúan como una huella dactilar única para cada sustancia química. Durante décadas, los científicos han intentado enseñar a las computadoras a leer estas huellas dactilares y dibujar instantáneamente la estructura molecular correspondiente, un proceso llamado elucidación de estructuras. Aunque los intentos iniciales requerían una enorme cantidad de ayuda humana y datos adicionales para funcionar, el objetivo siempre ha sido crear un sistema que pueda mirar un espectro bruto y simplemente decirte la forma de la molécula, de manera muy similar a como lo haría un experto humano, pero con una velocidad y consistencia perfectas.

Un equipo de investigadores ha construido ahora un nuevo tipo de programa informático que se acerca más a este objetivo que nunca, utilizando un método que requiere casi ninguna ayuda externa. En lugar de alimentar a la computadora con una lista de posibles respuestas o añadir hechos químicos adicionales para guiarla, los investigadores dejaron que la máquina mirara directamente los datos brutos de tres tipos diferentes de espectroscopia: luz infrarroja, luz Raman y resonancia magnética nuclear. Diseñaron un sistema ligero que combina dos tipos poderosos de inteligencia artificial. La primera parte actúa como un filtro, escaneando las líneas brutas del espectro para encontrar patrones importantes. La segunda parte actúa como un traductor, tomando esos patrones y escribiéndolos como una cadena de texto que describe la forma de la molécula. Este formato de texto, conocido como cadena SMILES, es una forma estándar en la que los químicos escriben estructuras para que las computadoras puedan leerlas.

Los resultados de este nuevo sistema son sorprendentemente sólidos. Cuando se probó con datos simulados, el modelo pudo identificar correctamente la estructura de una molécula a partir de solo su espectro infrarrojo aproximadamente el 69 por ciento de las veces. Cuando utilizó solo el espectro Raman, la precisión aumentó a casi el 78 por ciento. Los datos de resonancia magnética nuclear por sí solos fueron menos útiles, acertando la respuesta aproximadamente el 38 por ciento de las veces. Sin embargo, cuando los investigadores combinaron los tres tipos de datos, el sistema se volvió increíblemente preciso, acertando la estructura correcta el 84 por ciento de las veces al primer intento. Si los investigadores permitieron que la computadora hiciera cinco intentos y eligiera el mejor, la tasa de éxito se disparó a más del 96 por ciento. Estas cifras representan un salto significativo hacia adelante porque el sistema logró estos resultados sin utilizar datos preprocesados, fórmulas químicas ni bases de datos externas para derivar la respuesta.

Para mejorar aún más el sistema, los investigadores añadieron un paso de entrenamiento especial que enseñó a la computadora qué no hacer. Después de que el modelo realizara sus suposiciones iniciales, los investigadores observaron los errores que cometía y se los mostraron de nuevo, instruyéndolo para evitar esos caminos erróneos específicos en el futuro. Este proceso, que llaman ajuste fino de improbabilidad (unlikelihood fine-tuning), elevó la precisión aún más. Por ejemplo, al usar los tres espectros juntos, la mejor suposición del modelo fue correcta el 84.23 por ciento de las veces, y si se le permitieron cinco intentos, fue correcto el 96.27 por ciento de las veces. Esta mejora ocurrió sin añadir ningún nuevo conocimiento químico, demostrando que el modelo simplemente aprendió a ser más cuidadoso al estudiar sus propios fallos pasados.

Los investigadores también se tomaron el tiempo para entender cómo estaba pensando la computadora, mirando dentro de la "caja negra" para ver qué partes de los datos importaban más. Descubrieron que el espectro Raman era la pista más importante, cargando con el mayor peso para ayudar a la computadora a decidir sobre la forma general de la molécula. El espectro infrarrojo era el segundo más importante, mientras que los datos de resonancia magnética nuclear desempeñaban un papel menor. Sorprendentemente, la computadora no trató las tres fuentes de datos de la misma manera en cada paso. En cambio, parecía utilizar los datos Raman para construir el esqueleto principal de la molécula, luego utilizaba los datos infrarrojos para identificar grupos específicos de átomos y, finalmente, utilizaba la resonancia magnética nuclear para verificar las conexiones.

Un descubrimiento particularmente interesante fue cómo la computadora manejó el primer paso de su pensamiento. El sistema comienza generando un símbolo de inicio especial, que actúa como una bandera para decirle al resto del programa qué tipo de molécula está buscando. Los investigadores encontraron que este símbolo de inicio separa eficazmente las moléculas que forman un anillo cerrado de aquellas que son simplemente cadenas abiertas. Antes de que la computadora comience a escribir la estructura completa, este único punto de partida ya ha decidido si la molécula es circular o lineal, actuando como un ancla global que guía todo el proceso. Esta percepción sugiere que el modelo ha aprendido una regla fundamental de la química: la forma general de una molécula dicta cómo encajan sus partes.

El equipo no se detuvo en los datos simulados; probaron su sistema con espectros experimentales del mundo real provenientes de bases de datos químicas estándar. Incluso con los datos desordenados e imperfectos que se encuentran en los laboratorios reales, el modelo funcionó bien. En un conjunto de datos de miles de espectros infrarrojos reales, el sistema identificó correctamente la estructura al primer intento aproximadamente el 22 por ciento de las veces, y mejoró a más del 38 por ciento cuando se le permitieron cinco intentos. Aunque esto es inferior al rendimiento en datos simulados perfectos, demuestra que el sistema puede manejar el ruido y la complejidad del mundo real. Los investigadores señalaron que el sistema todavía tiene dificultades con ciertas tareas difíciles, como contar exactamente cuántos átomos de carbono hay en una cadena larga, lo que sigue siendo un desafío para cualquier método que dependa únicamente de estos espectros.

Este trabajo demuestra que es posible construir una herramienta poderosa para identificar productos químicos que dependa casi por completo de los datos brutos mismos, libre de las pesadas restricciones de los métodos anteriores. Al combinar una arquitectura simple y eficiente con una forma inteligente de aprender de los errores, los investigadores han creado un sistema que establece un nuevo estándar de precisión. Los hallazgos sugieren que, si bien es posible que aún no tengamos una máquina perfecta que pueda resolver cada rompecabezas molecular instantáneamente, nos dirigimos hacia un futuro donde las computadoras pueden leer el lenguaje de la luz y el magnetismo con una claridad que rivaliza con la de los expertos humanos, ofreciendo un camino fiable e interpretable para el análisis químico.