Descubrimiento molecular autónomo impulsado por múltiples propiedades: de las predicciones a las mediciones y...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Síntesis orgánica

Sus antecedentes:

• Acelerar el descubrimiento de nuevas moléculas con propiedades personalizadas es crucial para el avance de varios campos científicos.
• El diseño y la síntesis moleculares tradicionales pueden consumir mucho tiempo y recursos.
• El aprendizaje automático (ML) ofrece una vía prometedora para mejorar la eficiencia del descubrimiento molecular.

Objetivo del estudio:

• Desarrollar y demostrar una plataforma de descubrimiento molecular autónoma de circuito cerrado impulsada por herramientas de aprendizaje automático integradas.
• Acelerar el diseño y la realización experimental de moléculas con propiedades específicas como la longitud de onda de absorción, la lipofilia y la estabilidad fotooxidativa.
• Explorar las relaciones estructura-función dentro de andamios moleculares diversos y raramente reportados.

Principales métodos:

• Implementación de una plataforma autónoma de circuito cerrado que integra el aprendizaje automático para el diseño molecular.
• Utilizando ciclos iterativos de diseño molecular, fabricación, prueba y análisis (DMTA) para la validación experimental.
• Desarrollo y aplicación de modelos de predicción de propiedades basados en datos de estructura y propiedades químicas.
• Empleando síntesis de varios pasos y diversas metodologías de reacción para la realización de moléculas.

Principales resultados:

• La plataforma experimentalmente realizó 294 moléculas similares a colorantes no reportadas anteriormente en tres ciclos automatizados de DMTA.
• Se logró la exploración del espacio estructura-función para cuatro andamios moleculares raramente informados.
• Los modelos de predicción de propiedades aprendieron y guiaron efectivamente la exploración dentro de diversos espacios derivados de andamios.
• Un segundo estudio identificó con éxito nueve moléculas de alto rendimiento en un espacio químico menos explorado utilizando modelos entrenados.

Conclusiones:

• La plataforma autónoma desarrollada acelera significativamente el descubrimiento de moléculas con las propiedades deseadas.
• Las herramientas integradas de aprendizaje automático son efectivas para navegar por paisajes complejos de estructuras y propiedades.
• La plataforma demuestra versatilidad en la exploración de espacios químicos bien estudiados y poco explorados para la generación de nuevas moléculas.