Aprendizaje automático para De Novo Generación molecular: una revisión integral

Área de la Ciencia:

• Química computacional y quimioinformática.
• La inteligencia artificial y el aprendizaje automático.
• El descubrimiento de medicamentos y la química medicinal.

Sus antecedentes:

• Los modelos generativos profundos ofrecen potentes herramientas computacionales para el diseño molecular *de novo*.
• Permiten la exploración eficiente de espacios químicos más allá de los métodos experimentales tradicionales.
• El aprendizaje automático está revolucionando el descubrimiento de fármacos al generar nuevas estructuras moleculares.

Objetivo del estudio:

• Proporcionar un estudio exhaustivo de la generación molecular impulsada por el aprendizaje automático.
• Organizar sistemáticamente el campo basado en representaciones moleculares, arquitecturas de modelos y marcos de evaluación.
• Analizar modelos generativos de última generación, sus mecanismos, fortalezas, limitaciones y modos de fallo.

Principales métodos:

• Revisión y organización sistemática de modelos generativos: Autoencoders variacionales (VAEs), redes adversarias generativas (GANs), redes neuronales recurrentes (RNNs), transformadores, modelos de difusión, normalización de flujos y arquitecturas híbridas.
• Análisis de los modos de falla algorítmica y desafíos de implementación prácticos.
• Discusión de las aplicaciones en el aprendizaje de distribución, la generación dirigida a objetivos y dominios terapéuticos específicos como el descubrimiento de fármacos en el SNC.

Principales resultados:

• Taxonomía detallada y análisis de varias arquitecturas de modelos generativos profundos para el diseño molecular.
• Evaluación crítica de la brecha entre los puntos de referencia computacionales y la química medicinal práctica, incluida la viabilidad sintética y la validación experimental.
• Identificación de desafíos persistentes y oportunidades futuras prometedoras, como modelos informados por la física y grandes modelos de lenguaje.

Conclusiones:

• Los modelos generativos profundos son cruciales para el diseño molecular *de novo*, pero enfrentan desafíos en el despliegue práctico.
• Abordar las limitaciones en la viabilidad sintética, la validación experimental y la optimización de múltiples parámetros es clave para el descubrimiento de fármacos de próxima generación.
• Las direcciones futuras incluyen la integración de la física, el aprovechamiento de grandes modelos de lenguaje y la utilización de laboratorios autónomos para mejorar el diseño de fármacos.