El aprendizaje automático está ayudando a aprovechar el poder de las enzimas para una química más verde
Hacer que los
productos que se consumen sean más sostenibles es algo que el mundo necesita
desesperadamente. Y para la fabricación de productos químicos cotidianos, la
solución podría estar en las enzimas -las pequeñas máquinas moleculares que
aceleran las reacciones químicas que mantienen a casi todos los organismos
vivos, además de catalizar muchos procesos de fabricación. Sin embargo,
actualmente su adopción generalizada para uso industrial se ve obstaculizada
por la dificultad de elegir la enzima adecuada para la reacción química
correcta.
Para resolver
este acertijo de combinación, se construyó un modelo de aprendizaje automático
(Machine Learning) para ayudar a los científicos a predecir qué enzimas podrían
ser reemplazos adecuados para una reacción determinada. Esto permitiría un
acercamiento a procesos más sostenibles y seguros al aprovechar los
catalizadores biológicos que han sido optimizados por el proceso evolutivo de
la naturaleza en 3.500 millones de años.
Las enzimas son
los principales aceleradores de la mayoría de los procesos en el cuerpo humano
y desempeñan un papel fundamental en todo, desde la digestión hasta la
descomposición de toxinas dañinas e incluso la replicación del ADN. La
importancia de las enzimas va más allá de la bioquímica; también se utilizan
para hacer más sostenibles los procesos químicos industriales al reducir su
consumo energético o la cantidad de disolventes necesarios para su elaboración.
Al fabricar
papel blanco para imprimir o usar en cuadernos, por ejemplo, la enzima xilanasa
ayuda a reducir la cantidad de blanqueador a base de cloro, y al hornear, las
enzimas proteasas ayudan a que las galletas se desmoronen al degradar el gluten
en la harina de trigo. Pero todavía no hay muchas aplicaciones industriales en
las que las enzimas se adopten ampliamente, porque elegir las correctas es una
tarea abrumadora. A menudo requiere una gran cantidad de conocimientos
específicos que ningún químico o equipo de químicos podría comprender por
completo.
Aquí es donde
entra en juego el nuevo modelo de IA de IBM, basado en datos para la
planificación de síntesis biocatalizada. El modelo está entrenado con datos USPTO
disponibles públicamente sobre biocatálisis enzimática que, en principio,
elimina la necesidad de que un ser humano sea un experto en biocatálisis para
seleccionar la enzima y el sustrato necesarios para obtener una sustancia
química deseada. Al hacer esto, el modelo cierra una brecha de conocimiento que
a menudo impide que se utilicen reacciones más sostenibles en la industria.
Al construir y
entrenar el modelo de IBM, se aprovechó el aprendizaje de transferencia
multitarea, mediante el cual el modelo aprende de una base de datos de
reacciones biocatalizadas con un enfoque limitado y de una base de datos más
grande que contiene todo tipo de reacciones químicas. La transferencia
multitarea sería como aprender a tocar la guitarra y el bajo al mismo tiempo. Y
en el contexto de la química, significa que se entrena el modelo
simultáneamente en los conjuntos de datos generales y específicos de las
reacciones enzimáticas, en lugar de secuencialmente.
Acelerar el
descubrimiento de nuevos materiales está en el corazón de los esfuerzos de IBM para ayudar
a inventar lo que sigue en ciencia e ingeniería. Es el tipo de
trabajo que se está realizando con RoboRXN, una
plataforma basada en la nube, impulsada por datos y potenciada por IA para la
automatización de la síntesis química. Con el nuevo modelo de aprendizaje
automático, se están ampliando las capacidades de RoboRXN para incluir una
nueva herramienta que facilite el uso de enzimas para una química más
respetuosa con el medio ambiente.
El modelo
entrenado, así como el código, están disponibles públicamente para que
cualquiera los use. IBM espera que los químicos los utilicen en sus proyectos
de investigación.Se puede descargar el código de búsqueda de enzimas en GitHub
o iniciar un proyecto con un modelo entrenado en RXN para Química.
Comentarios
Publicar un comentario
Gracias por tus comentarios, un abrazo.