Una IA propone rutas de síntesis química más cercanas al criterio de especialistas

Fabricar una molécula compleja se parece, en parte, a planear un viaje con muchas escalas: hay que decidir de qué sustancias disponibles conviene partir y en qué orden transformarlas hasta llegar al compuesto buscado. Esa planificación, llamada retrosíntesis, puede requerir muchísimas alternativas y es uno de los cuellos de botella del trabajo químico. Un equipo presentó ahora un sistema de inteligencia artificial, RetroChimera, diseñado para proponer esos itinerarios de reacción de una forma más útil para especialistas.

La herramienta no intenta ejecutar las reacciones ni sustituir el trabajo de laboratorio. Su función es sugerir una secuencia de transformaciones plausibles: qué enlace químico convendría formar o deshacer en cada paso y qué moléculas precursoras podrían servir. Luego, un químico debe evaluar si los reactivos son accesibles, si las condiciones son razonables y, sobre todo, comprobar experimentalmente que la ruta funciona.

Los autores partieron de un problema conocido en estos sistemas. Muchos modelos aprenden de grandes colecciones de reacciones ya publicadas y resuelven bien los casos parecidos a sus ejemplos. Pero pueden fallar ante transformaciones poco frecuentes, familias de reacciones escasamente representadas o situaciones en las que proponen una respuesta convincente pero químicamente incorrecta. Para afrontar esa limitación, RetroChimera combina dos modelos con formas distintas de detectar regularidades en los datos y aprende a integrar sus propuestas.

El estudio evaluó el sistema en pruebas que lo alejaban deliberadamente de los ejemplos empleados para entrenarlo. Según los resultados, el modelo superó a las herramientas de referencia en esos escenarios y pudo aprovechar conjuntos muy pequeños de ejemplos para algunas clases de reacciones. También se pidió a químicos orgánicos que compararan rutas propuestas por distintas herramientas y reacciones de referencia publicadas. En esas evaluaciones, las propuestas de RetroChimera fueron preferidas con mayor frecuencia.

La comparación con el juicio de especialistas es importante porque una predicción puede coincidir formalmente con un registro de datos y aún así ser poco práctica. En la síntesis real influyen cuestiones que no siempre quedan bien reflejadas en una base de datos: la disponibilidad de materiales, la seguridad, el número de pasos, los productos secundarios o la dificultad de purificar el resultado. Que una sugerencia resulte más razonable para químicos no garantiza que funcione, pero permite medir una cualidad que las métricas automáticas pueden pasar por alto.

El equipo también probó la transferencia del modelo a conjuntos de datos internos de dos compañías farmacéuticas, tanto sin reentrenarlo como ajustándolo con información adicional. Esas pruebas apuntan a que la herramienta puede mantener parte de su desempeño cuando cambia el tipo de datos con el que se enfrenta. Sin embargo, los resultados no equivalen a una demostración de que las rutas estén listas para usarse en cualquier laboratorio ni de que aceleren por sí solas el desarrollo de medicamentos.

El avance ilustra una forma más exigente de evaluar la inteligencia artificial aplicada a la química. No basta con que un algoritmo reproduzca reacciones conocidas: debe mostrar qué ocurre cuando encuentra casos raros o nuevos y cuándo sus sugerencias son útiles para quienes diseñan experimentos. En ese punto, la validación en el laboratorio sigue siendo el paso que decide si una ruta propuesta por una computadora se convierte o no en una síntesis real.