Archivo - Un experto de la UPM afirma que es posible desentrañar y predecir transiciones moleculares mediante IA - PCESS609/ ISTOCK - Archivo
MADRID, 4 May. (EUROPA PRESS) -
El investigador de la Universidad Politécnica de Madrid (UPM), Alberto Megías, ha participado en un estudio que desarrolla nuevos métodos basados en Inteligencia Artificial (IA) para analizar y predecir los cambios moleculares que suceden en una reacción química o en las proteínas, algo que asegura que es posible desentrañar con esta tecnología.
"El trabajo que hemos llevado a cabo se basa en el empleo de redes neuronales para generar simulaciones de los comportamientos de las moléculas y de los cambios que se producen en esas reacciones, para poder observarlos y comprender por qué se producen y sus consecuencias", ha explicado. Con ello, se busca conocer más sobre el plegamiento de una proteína.
Según indica este centro académico, estos procesos "suelen ser eventos difíciles de capturar con simulaciones convencionales y, por ello, la búsqueda de nuevos métodos para abordar la búsqueda de respuestas a esta incógnita es ahora un importante campo de investigación". Para ello, Megías ha colaborado con un equipo de Francia y de Estados Unidos.
Algunos de los objetivos abordados han sido los de desarrollar nuevos métodos basados en el aprendizaje automático para identificar las rutas de transición en sistemas moleculares complejos, acelerar las simulaciones gracias a ese aprendizaje y obtener una descripción más precisa, automática e interpretable de los mecanismos moleculares.
NUEVOS TIPOS DE REDES NEURONALES
En pro de ello, los investigadores han creado nuevos tipos de redes neuronales capaces de aprender la información esencial para entender cómo ocurren las transformaciones en sistemas moleculares complejos. Así, uno de estos métodos ha permitido descubrir, de manera iterativa, los caminos que sigue una molécula cuando pasa de un estado a otro.
"La red neuronal creada por nuestro equipo, bautizada como 'PCCANN', aprende una función llamada 'comitor', que indica la probabilidad de que una configuración avance hacia un estado final concreto", ha afirmado Megías, que ha añadido que, "gracias a este enfoque, es posible identificar múltiples mecanismos distintos dentro de un mismo proceso biomolecular".
Tras ello, los autores de este trabajo han llevado a cabo otro en el que han desarrollado una arquitectura basada en redes neuronales de grafos, a la que han llamado 'qGNN'. "Esta nueva versión puede aprender directamente a partir de las posiciones de los átomos, sin que los científicos tengan que elegir antes qué variables son importantes", ha destacado este representante de la UPM, que ha sostenido que también "permite ver qué átomos son los más relevantes en la reacción y calcular propiedades clave del proceso".
Por último, los científicos han puesto en valor la importancia de este estudio, que radica en que los métodos realizados "ayudan a entender mejor procesos fundamentales que ocurren en química, física, biología y ciencia de materiales" para "el diseño de nuevos fármacos", entre otras posibles aplicaciones.
"En general, estos avances pueden acelerar la investigación en biomedicina, química y nanotecnología, facilitando el descubrimiento de mecanismos moleculares que antes resultaban casi invisibles para las simulaciones tradicionales", ha concluido Megías.
