Avance en Aprendizaje Automático Permite Cálculos Precisos de Química Cuántica para el Descubrimiento de Fármacos
Investigadores han desarrollado un método de aprendizaje automático llamado STRUCTURES25 que permite cálculos precisos de química cuántica para moléculas grandes similares a fármacos utilizando un enfoque libre de orbitales. El avance resuelve un problema de estabilidad de décadas en química computacional mientras reduce los requisitos computacionales. Este progreso podría acelerar el descubrimiento de fármacos y la investigación en ciencia de materiales.
Los científicos han logrado un avance importante en química computacional aplicando aprendizaje automático para resolver un dilema de décadas en química cuántica, permitiendo el cálculo preciso y estable de energías moleculares y densidades electrónicas con significativamente menos potencia computacional. El nuevo enfoque libre de orbitales permite cálculos para moléculas muy grandes, incluyendo moléculas "similares a fármacos", y demuestra convergencia estable por primera vez utilizando este método.
El avance involucra un nuevo proceso llamado STRUCTURES25, que se basa en una red neuronal específicamente desarrollada que aprende la relación entre la densidad electrónica y la energía directamente de cálculos de referencia precisos. El modelo captura el entorno químico de cada átomo individual en una representación matemáticamente detallada. Un concepto de entrenamiento único fue fundamental: el modelo fue entrenado no solo con densidades electrónicas convergidas sino también con muchas variantes alrededor de la solución correcta – generadas por cambios dirigidos y controlados en los cálculos de referencia subyacentes.
Este proceso computacional es por lo tanto capaz de encontrar de manera confiable una solución físicamente significativa para energías moleculares y densidades electrónicas incluso en caso de pequeñas desviaciones. Permanece estable sin "perderse" en el cálculo. En pruebas en una colección grande y diversa de moléculas orgánicas, STRUCTURES25 logró una precisión que puede competir con cálculos de referencia establecidos. Las comparaciones iniciales de tiempo de ejecución prueban que el proceso computacional puede escalar mejor con el tamaño creciente de la molécula y por lo tanto aumentar la velocidad del cálculo.
Cómo se distribuyen los electrones en una molécula determina sus propiedades químicas – desde su estabilidad y reactividad hasta su efecto biológico. Calcular de manera confiable esta distribución electrónica y la energía resultante es una de las funciones centrales de la química cuántica. Estos cálculos forman la base de muchas aplicaciones en las que las moléculas deben ser específicamente entendidas y diseñadas, como para nuevos fármacos, mejores baterías, materiales para conversión de energía o catalizadores más eficientes.
En química cuántica, las moléculas son frecuentemente descritas usando la teoría del funcional de la densidad, que permite la predicción fundamental de propiedades moleculares químicas sin tener que calcular la función de onda mecánico-cuántica. La densidad electrónica se usa como la cantidad principal en su lugar – una simplificación que finalmente hace los cálculos practicables. Este enfoque libre de orbitales promete cálculos especialmente eficientes pero hasta ahora era considerado apenas útil, ya que pequeñas desviaciones en la densidad electrónica llevaban a resultados inestables o "no físicos".
Por separado, los investigadores también han hecho progresos en enfoques de computación cuántica para simulaciones moleculares. La estimación de energía del estado fundamental para sistemas moleculares con espacios activos de 20-50 orbitales espaciales ahora es alcanzable utilizando aproximadamente 100,000 qubits físicos. Los métodos clásicos de interacción de configuración completa, considerados el 'estándar de oro' para cálculos de estructura electrónica molecular, se vuelven computacionalmente insuficientes para modelar sistemas más allá de aproximadamente 20 electrones en 20 orbitales, una limitación conocida como la 'pared exponencial'.
Esto restringe simulaciones precisas de moléculas complejas cruciales para entender reacciones químicas, propiedades de materiales y procesos biológicos. El equipo demostró amplia aplicabilidad más allá de moléculas simples aplicando su marco a modelos de clusters hierro-azufre, que juegan roles vitales en transferencia electrónica biológica, sitios activos de citocromo P450, importantes en metabolismo de fármacos y desintoxicación, y catalizadores diseñados para la utilización de dióxido de carbono.