ETH y Roche enseñan a una IA a predecir en qué punto de la molécula se producirá la borilación C–H

Diseñar una molécula con la actividad farmacológica deseada es solo el principio. Después llegan preguntas aparentemente más sencillas, pero mucho más caras en la práctica: si la molécula se podrá sintetizar y en qué posición exacta tendrá lugar la reacción. Investigadores de ETH Zurich y Roche han publicado en una revista de la familia Nature un trabajo en el que una IA predice los sitios de borilación C–H, es decir, la posición en la que se incorporará el grupo con boro. El fragmento disponible del material no contiene métricas cuantitativas del modelo, así que a continuación se analiza el planteamiento del problema y su sentido práctico.

Por qué la regioselectividad decide el destino de un candidato

En la fase de optimización de leads, los químicos rara vez construyen la molécula desde cero. Lo habitual es partir de un esqueleto ya hecho y modificarlo de forma local: añadir un sustituyente, desplazar un grupo funcional y comprobar cómo cambian la actividad, la solubilidad y la estabilidad metabólica. Así se obtiene en poco tiempo una serie de análogos cercanos con propiedades distintas.

En este esquema, la borilación C–H funciona como una «palanca» práctica. El enlace carbono–hidrógeno se convierte en un enlace carbono–boro, y el derivado organoborado se puede ampliar después con facilidad: a partir de él se forman nuevos enlaces C–C, C–N o C–O. El problema es que una molécula compleja tiene decenas de enlaces C–H y la reacción puede producirse en cualquiera de ellos. Un químico con experiencia suele acertar la posición principal, pero en estructuras heterocíclicas grandes, con varios centros que compiten entre sí, la intuición falla. Entonces el equipo pierde semanas en experimentos y en separar mezclas de isómeros.

Qué hacen ETH y Roche

La alianza tiene lógica: ETH Zurich es fuerte en química computacional y aprendizaje automático para moléculas, y Roche aporta problemas reales de química médica y datos experimentales. El modelo recibe la estructura de la molécula y devuelve una predicción de qué posiciones son más probables para la borilación. El químico la ve antes de lanzar la síntesis.

El valor de una herramienta así depende de dos factores: la calidad de los datos de entrenamiento y la capacidad del modelo para trabajar con moléculas distintas de aquellas con las que se entrenó. Para la industria farmacéutica, lo segundo es más crítico. Los candidatos reales rara vez se parecen a los compuestos típicos de los conjuntos de prueba.

Qué se sabe del trabajo

• Organizaciones: ETH Zurich y Roche.
• Publicación: revista de la familia Nature.
• Reacción: borilación C–H.
• Tarea del modelo: predecir el sitio de reacción en una molécula ya construida.
• Etapa de aplicación: optimización de leads y modificación late-stage.
• Precisión, volumen de datos y comparación con métodos de referencia: no se indican en el fragmento disponible.

Sentido práctico

Para la química médica, una predicción de este tipo reduce el número de experimentos «en vacío». Si el modelo señala con seguridad una sola posición, el equipo planifica la síntesis de inmediato. Si muestra dos o tres posiciones igualmente probables, el químico sabe de antemano que tendrá que ajustar las condiciones o recurrir a grupos protectores.

Para conocer las cifras concretas hay que acudir al artículo original. Lo primero que conviene revisar es la proporción de posiciones predichas correctamente en un conjunto de validación reservado y el comportamiento del modelo con estructuras ajenas a la distribución de entrenamiento. Si los resultados son estables en ambos casos, modelos como este pasarán a ser una pieza habitual del pipeline, junto al docking y la predicción de ADMET. Por ahora es un ejemplo más de cómo la IA pasa de generar moléculas a una tarea más terrenal y más valiosa para la industria: predecir cómo se comportarán las moléculas en el matraz.