Um novo modelo de IA, React-OT, poderia revolucionar a química computacional prevendo estados de transição com precisão notável, enquanto concluía a tarefa em um segundo e usando muito menos poder computacional do que os métodos convencionais.
“Pense em uma reação química como caminhada por uma paisagem de montanhas e vales”, explica o autor correspondente Yuanqi du da Universidade de Cornell. O estado de transição é um ponto de sela – o ponto mais baixo ao longo de uma cume alta que conecta dois vales. Encontrar é difícil porque é um ponto muito instável: dê um pequeno passo em uma direção e você cairá em um vale.
Os estados de transição são notoriamente ilusórios, existentes apenas para femto- ou picossegundos antes de desaparecer. “Somente a espectroscopia ultra -rápida pode capturar alguns exemplos”, diz Chenru Duan no Instituto de Tecnologia de Massachusetts, outro autor correspondente. No entanto, a compreensão dos estados de transição é crucial, pois definem a barreira energética entre reagentes e produtos, moldando o mecanismo e a velocidade de uma reação.
Tradicionalmente, os químicos previam os estados de transição calculando a via energética mínima – uma espécie de ponte energética entre reagentes e produtos. Isso envolve traçar a rota mais provável que um sistema químico levará do início ao fim. Quando os cientistas conhecem apenas as estruturas das moléculas e produtos iniciais, eles usam métodos computacionais para estimar o caminho da reação. Embora esses métodos sejam valiosos, “esses cálculos normalmente exigem milhares de avaliações de energia e força, tornando-as muito demoradas”, diz DU.
Uma nova abordagem
Para resolver o problema, DU, Duan e colegas desenvolveram um novo método computacional que usa um tipo de IA generativa conhecida como modelo de difusão. Esses modelos funcionam adicionando ruído aos dados de treinamento e aprendendo a reverter o processo, reconstruindo efetivamente o passo a passo original.
“Em vez de usar o ruído gaussiano como palpite inicial para os estados de transição, o React-OT emprega interpolação linear de reagentes e produtos, semelhante às suposições iniciais educadas usadas nos métodos de otimização clássica”, explica Guan-Horng Liu no Instituto de Tecnologia da Geórgia, também um autor correspondente. “Em seguida, treinamos um modelo de fluxo que transporta de maneira suave e determinada amostras dessas suposições educadas para os estados de transição”.
O React-OT foi testado em um conjunto de dados disponível ao público contendo pouco mais de 10.000 reações orgânicas diversas e pares de reagentes, estados de transição e produtos. “Não surpreende, obtivemos resultados de última geração”, diz Duan. – Mas não paramos por aí. Empurramos o React-OT para estudar um problema de rede de reação do mundo real: a decomposição do γ-ceto-hidroperóxido. ‘
A equipe descobriu que o React-OT não era apenas muito preciso, mas incrivelmente rápido. ‘As melhorias parecem impressionantes’, comentários Timothy Jenkins na Universidade Técnica da Dinamarca, que não estava envolvida no estudo. ‘A maioria dos métodos existentes … use química quântica, que é precisa, mas muito lenta. Onde outros métodos podem levar minutos a horas por molécula, o React-OT faz isso em menos de um segundo.
React-ot se baseia em um modelo anterior, OA-reactdiff. ‘No entanto, ele carrega o caráter estocástico dos modelos de difusão, o que significa que não obtemos uma resposta determinística. Isso nos deixou loucos porque a química é uma ciência precisa.
Tomando previsão para o próximo nível
O avanço ocorreu quando Duan encontrou um estudo de Guan, que estava usando uma técnica matemática chamada Optimal Transport in Gereation de imagem, e percebeu que era exatamente isso que ele precisava levar o OA-Reactdiff para o próximo nível. “Em vez de transformar o ruído gaussiano para a distribuição de destino, precisamos começar com um palpite educado a partir da química e depois fazer o transporte ideal para o alvo”, explica Duan. O resultado foi react-ot-um modelo de IA até 1000 vezes mais rápido na identificação de estados de transição, sem sacrificar a precisão. “Uma comparação direta para a geração de estrutura de estado de transição único concluiria que o React-OT é 60% mais preciso com uma aceleração de 20 vezes”, acrescenta Duan.
‘Essas são melhorias importantes, especialmente quando esse tipo de método é usado para resolver problemas do mundo real, como reações químicas em várias etapas ou até dobragem de proteínas,’ Comentários Kari Laasonen na Universidade de Aalto, que não estava envolvida no estudo. ‘O conjunto de dados de treinamento é muito maior do que em estudos anteriores, e isso é importante para uma boa previsibilidade. Será muito interessante ver como o React-OT se executará em aplicações químicas complexas. ‘
“No momento, resolve um problema focado”, acrescenta Jenkins. ‘Mas a abordagem é geral o suficiente para expandir. Os princípios por trás do React-OT podem eventualmente encontrar uso na modelagem de mudanças conformacionais nas biomoléculas ou no design de proteínas catalíticas que guiam as reações através de estados de transição específicos. ‘
Os pesquisadores veem a IA generativa como uma ferramenta poderosa para reimaginar a descoberta química – mudando da triagem tradicional para explorar e programar ativamente as reações químicas. “A IA generativa fornece (uma nova maneira de pensar) sobre como a química pode ser feita”, conclui Duan. “Em vez de apenas rastrear o vasto espaço de reações químicas, agora podemos realmente explorar.”