Nos laboratórios silenciosos da química computacional, os cientistas há muito dependem de um tipo específico de impressão digital digital para compreender o mundo invisível das moléculas. Essas impressões digitais, conhecidas como embeddings, são resumos matemáticos que capturam a essência de uma estrutura química, permitindo que os computadores prevejam como uma substância se comportará, se ela se dissolverá na água ou se poderá ser tóxica. Durante anos, a criação dessas impressões digitais exigiu ferramentas especializadas projetadas para um único propósito: tirar uma foto de uma molécula ou ler seu código químico e cuspir um número fixo. Essa abordagem funcionava bem para tarefas específicas, mas carecia de flexibilidade. Não conseguia mudar facilmente seu foco com base no que um cientista estava perguntando. Se um pesquisador quisesse saber sobre a capacidade de uma molécula de atravessar a barreira hematoencefálica, a ferramenta dava a mesma resposta como se estivesse perguntando sobre sua capacidade de se dissolver em óleo, porque a ferramenta não entendia a pergunta, apenas a forma da molécula.

Essa limitação tornou-se um gargalo à medida que o campo avança em direção à descoberta de fármacos e ao design de materiais mais complexos. Os cientistas precisavam de uma maneira de conversar com essas impressões digitais moleculares, de pedir que elas destacassem diferentes características dependendo do contexto da investigação. A questão era se os poderosos e flexíveis sistemas de inteligência artificial, que já conseguem ler textos e ver imagens, poderiam ser reaproveitados para criar essas impressões digitais químicas adaptáveis. Em vez de construir uma ferramenta nova e estreita para cada problema químico, os pesquisadores se perguntaram se um sistema único e de propósito geral poderia aprender a representar moléculas de uma forma que muda com base na linguagem usada para descrevê-las.

Uma equipe de pesquisadores da Universidade Chinesa de Hong Kong, Shenzhen, e do Laboratório de Inteligência Artificial de Xangai partiu para responder a essa questão com um novo framework que chamam de MolEmb. Eles começaram com um tipo de inteligência artificial conhecido como modelo de linguagem de grande escala multimodal. Estes são os mesmos tipos de sistemas que podem olhar para uma fotografia, ler uma frase e entender a relação entre as duas. Os pesquisadores perceberam que esses modelos eram naturalmente adequados para lidar com as diferentes maneiras pelas quais uma molécula pode ser descrita: como um desenho bidimensional, como uma sequência de caracteres de texto representando sua estrutura química, ou como um conjunto de instruções sobre qual propriedade investigar.

A equipe construiu um sistema leve para ensinar esses grandes modelos a agir como especialistas em embedding molecular. Eles não tentaram ensinar o modelo a gerar novas moléculas ou escrever artigos químicos do zero. Em vez disso, focaram em treinar o modelo para alinhar a descrição visual e textual de uma molécula com uma instrução de texto específica. Imagine uma molécula como um objeto complexo que pode ser visto através de diferentes lentes. Os pesquisadores mostraram ao modelo uma imagem de uma molécula e seu código químico, e então associaram isso a uma instrução de texto como "analisar para toxicidade" ou "analisar para solubilidade". O objetivo era fazer com que o modelo produzisse uma impressão digital única para aquela molécula que mudasse ligeiramente dependendo da instrução. Quando a instrução era sobre toxicidade, a impressão digital enfatizaria as partes da molécula relevantes para a segurança. Quando a instrução mudava para solubilidade, a impressão digital mudaria para destacar as partes relevantes para se dissolver em água.

Para testar se essa abordagem funcionava, os pesquisadores realizaram uma série de experimentos rigorosos. Primeiro, verificaram se o novo sistema conseguia prever propriedades químicas com a mesma precisidade das ferramentas especializadas atualmente em uso. Eles descobriram que o sistema, mesmo sem qualquer treinamento específico em tarefas químicas, conseguia prever propriedades como solubilidade e toxicidade com um nível de precisão que rivalizava com os melhores métodos existentes. Esta foi uma descoberta significativa porque sugeriu que o modelo de propósito geral já havia aprendido o suficiente sobre estruturas químicas para ser útil, simplesmente por entender a relação entre a imagem da molécula, seu código de texto e a linguagem usada para descrevê-la.

Em seguida, a equipe testou se essas impressões digitais poderiam ser usadas para pesquisar moléculas usando texto. Nos sistemas tradicionais, você não pode pesquisar em um banco de dados de moléculas digitando uma frase como "encontre-me uma molécula que seja tóxica para células do fígado" e esperar obter um resultado relevante, porque os dados químicos e os dados de texto vivem em mundos separados. Os pesquisadores mostraram que seu novo sistema criou um espaço compartilhado onde moléculas e descrições textuais poderiam ser comparadas diretamente. Quando pediram ao sistema para encontrar uma molécula correspondente a uma descrição específica, ele obteve sucesso com alta precisão, provando que o modelo realmente aprendeu a conectar os aspectos visuais e textuais da química em uma representação única e unificada.

O teste mais crítico, porém, era ver se o sistema poderia realmente mudar de ideia com base no contexto. Os pesquisadores criaram um benchmark diagnóstico chamado MolCAR para ver se o modelo conseguia distinguir entre diferentes descrições válidas da exata mesma molécula. Eles apresentaram ao modelo uma única molécula e pediram que encontrasse a descrição correta para uma tarefa específica, como toxicidade, enquanto ignorava outras descrições válidas para tarefas diferentes, como hidratação. Antes de adicionarem uma camada final de treinamento específico, o modelo tinha dificuldade em fazer essa distinção. Ele tratava a molécula como tendo uma identidade fixa, independentemente da pergunta feita. No entanto, após os pesquisadores treinarem o modelo em um conjunto de dados especificamente projetado para parear moléculas com diferentes descrições focadas em tarefas, o sistema aprendeu a mudar seu foco. Ele começou a produzir diferentes impressões digitais para a mesma molécula dependendo de se a pergunta era sobre toxicidade ou solubilidade.

Os resultados sugerem que os modelos de linguagem de grande escala multimodais não são apenas ferramentas para gerar ideias químicas ou responder perguntas; eles podem servir como a base para um novo tipo de representação molecular. O estudo indica que a habilidade de criar impressões digitais químicas conscientes do contexto não é uma falha inerente à arquitetura do modelo, mas sim uma questão dos dados nos quais ele é treinado. Quando os dados de treinamento incluem exemplos diversos da mesma molécula descrita sob diferentes lentes científicas, o modelo aprende a se adaptar. Esta descoberta aponta para um futuro onde um único sistema de propósito geral pode substituir uma coleção de ferramentas estreitas e especializadas, permitindo que os cientistas consultem dados químicos com a mesma flexibilidade que usam para pesquisar informações em uma biblioteca. O trabalho demonstra que, ao alinhar perfis moleculares com instruções de linguagem natural, esses modelos poderosos podem se tornar uma infraestrutura versátil para a próxima geração de descoberta de fármacos e pesquisa química.